基于对抗训练和序数回归的金融时间序列分类预测方法与流程

技术特征：
1.基于对抗训练和序数回归的金融时间序列分类预测方法，其特征在于，包括：s1、建立对抗模型，对抗模型包括生成器和鉴别器；s2、采集真实数据样本导入对抗模型，真实数据样本的时间序列归一化处理形成训练样本x，训练样本x为x＝{x1，x2，...，x
t
}，提取真实数据样本的实际分类值x
real
作为验证样本；s3、训练样本x输入生成器生成分类预测值x
fake
；s4、分类预测值x
fake
和验证样本输入鉴别器，鉴别器判别分类预测值x
fake
的真伪；s5、采用交叉熵损失函数分别计算鉴别器和生成器的损失值，优化对抗模型；s6、获取最新数据导入优化后的对抗模型获得预测结果。2.根据权利要求1所述的基于对抗训练和序数回归的金融时间序列分类预测方法，其特征在于，生成器包括卷积层、池化层、lstm网络层和输出层，卷积层用于提取时间序列的特征，池化层用于将该时间序列特征进行池化操作，输出层采用softmax激活函数；鉴别器包括4层全连接层，4层全连接层之间使用relu激活函数，最后一层全连接层使用softmax激活函数输出判别结果。3.根据权利要求1所述的基于对抗训练和序数回归的金融时间序列分类预测方法，其特征在于，在s3中包括：s31、卷积层提取训练样本x的时间序列特征；s32、池化层将时间序列特征进行池化操作；s33、lstm网络层处理池化后的时间序列特征输出h
t
，h
t
＝g(x)；s34、输出层通过softmax激活函数生成收盘价的跌、平、涨三类的概率矩阵记作分类预测值x
fake
，x
fake
＝g(x)。4.根据权利要求2所述的基于对抗训练和序数回归的金融时间序列分类预测方法，其特征在于，生成器还包括droupout层，droupout层采用正则化方法避免生成器陷入过拟合。5.根据权利要求3所述的基于对抗训练和序数回归的金融时间序列分类预测方法，其特征在于，在s5中包括：s51、鉴别器采用交叉熵损失函数分别计算鉴别器的第一损失值loss
real
和第二损失值loss
fake
，loss
real
为鉴别器计算测试样本x与x
real
判别后鉴别器的损失值，loss
fake
为鉴别器计算x
fake
与x
real
的负样本标签之间的交叉熵损失，loss
real
＝h(d(x
real
)，c
t 1
)，其中d(x
real
)表示鉴别真实的输入；s52、根据第一损失值loss
real
和第二损失值loss
fake
计算鉴别器在训练过程中的损失值d
loss
，d
loss
＝loss
real
loss
fake
，其中m表示输入的序列长；s53、计算生成器的损失值g
loss
，c
t
与分别表示鉴别器真实的输入和生成器得到的输入；
s54、根据鉴别器在训练过程中的损失值d
loss
和生成器的损失值g
loss
优化对抗模型的值函数v(g，d)，d(x
fake
)表示生成器的输出作为鉴别器的输入。6.根据权利要求1所述的基于对抗训练和序数回归的金融时间序列分类预测方法，其特征在于，在s2中，归一化处理后为其中为原始数据的均值，σ为原始数据的标准差，x
i
是由11个特征组成的向量，其中
′
close
′
、
′
high
′
、
′
low
′
、
′
open
′
、
′
rsl
′
、
′
adx
′
、
′
cci
′
、
′
fastd
′
、
′
slowd
′
、
′
willer
′
和
′
sma
′
分别表示收盘价、最高价、最低价、开盘价、相对强度指标、平均定向运动指数、顺势指标、快速确认线、慢速确认线、威廉指标、移动均线和可以参考talib指标计算。

技术总结
本发明公开了基于对抗训练和序数回归的金融时间序列分类预测方法，涉及分析预测领域，S1建立对抗模型，包括生成器和鉴别器；S2采集真实数据样本导入对抗模型，真实数据样本归一化形成训练样本X，提取真实数据样本的X


技术研发人员：陈鹏 刘雷 罗航 裴峥 高志升 封康
受保护的技术使用者：西华大学
技术研发日：2021.07.29
技术公布日：2021/11/2