一种利用多滤波特征和深度学习预测股票走势系统的制作方法

1.本发明涉及股票预测技术领域，尤其涉及一种利用多滤波特征和深度学习预测股票走势系统。


背景技术：

2.股票(stock)是股份公司所有权的一部分，也是发行的所有权凭证，是股份公司为筹集资金而发行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券，股票是资本市场的长期信用工具，可以转让，买卖，股东凭借它可以分享公司的利润，但也要承担公司运作错误所带来的风险，每股股票都代表股东对企业拥有一个基本单位的所有权，每家上市公司都会发行股票；
3.在目前市场环境下，散户投资过程中最大的问题是信息不对称，要获取真实信息则需要付出成本，使得散户往往依赖于无成本的“小道消息”而非科学的技术分析，因此本发明提出一种利用多滤波特征和深度学习预测股票走势系统以解决现有技术中存在的问题。


技术实现要素：

4.针对上述问题，本发明的目的在于提出一种利用多滤波特征和深度学习预测股票走势系统，该种利用多滤波特征和深度学习预测股票走势系统基于多滤波特征和深度学习来提出了一种新颖的特征选择框架，该框架由特征排序模块识别相关特征和聚类模块消除冗余特征组成，用于对每日股票的走势进行预测，从而更真实、科学的为散户提供决策支持。
5.为实现本发明的目的，本发明通过以下技术方案实现：一种利用多滤波特征和深度学习预测股票走势系统，包括数据采集模块、特征选择模块、聚类模块、预测模块和模型构建模块，所述数据采集模块通过无线通信技术与外部股票网站连接并获取股票数据，所述数据采集模块与特征选择模块连接，且特征选择模块用于对获取的股票数据进行抽样，所述特征选择模块设有多组，且多组特征选择模块均与聚类模块连接，所述聚类模块用于将特征选择模块抽样的数据进行归总，所述聚类模块与模型构建模块连接，且模型构建模块内预设有lstm算法，所述模型构建模块与预测模块连接，且预测模块与特征选择模块连接。
6.进一步改进在于：所述数据采集模块内设有网站连接模块、无线网络模块、网络监测模块和自动切换模块，所述网站连接模块与无线网络模块连接，且无线网络模块用于无线网络连接，所述无线网络模块与网络监测模块连接，且网络监测模块与自动切换模块连接，所述自动切换模块与网站连接模块连接，且网站连接模块内预设置有多组股票数据网站。
7.进一步改进在于：还包括有显示模块，所述显示模块用于显示图表数据。
8.进一步改进在于：还包括有缓存模块，所述缓存模块与预测模块连接，且获取预测
模块的预测数据。
9.进一步改进在于：还包括有储存模块和对比模块，所述储存模块与缓存模块连接，并获取缓存模块内缓存的数据，所述对比模块与储存模块连接，且对比模块与数据采集模块连接。
10.进一步改进在于：所述网络监测模块用于监测数据采集模块当前与股票网站连接的状态，当网络连接断开时，所述自动切换模块发出控制信号给网站连接模块，所述网站连接模块根据预设的网站数据进行切换。
11.进一步改进在于：所述缓存模块具有定时清理功能。
12.本发明的有益效果为：该种利用多滤波特征和深度学习预测股票走势系统基于多滤波特征和深度学习来提出了一种新颖的特征选择框架，该框架由特征排序模块识别相关特征和聚类模块消除冗余特征组成，用于对每日股票的走势进行预测，从而更真实、科学的为散户提供决策支持，同时采用多组特征选择模块能够更有效的对所需要的数据进行获取，提升效率，利用模型构建模块内预设的lstm算法，来提升预测结果的科学性，此外，通过设置的网络监测模块和自动切换模块，可以便于数据采集模块自行切换网络连接状态良好的股票网站进行股票数据获取，无需人工进行介入，确保获取数据的实时性。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
14.图1是本发明实施例一的结构示意图。
15.图2是本发明实施例一的数据采集模块结构示意图。
16.图3是本发明实施例二的主要流程示意图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
19.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本
发明中的具体含义。
20.实施例一
21.根据图1-2所示，本实施例提出了一种利用多滤波特征和深度学习预测股票走势系统，包括数据采集模块、特征选择模块、聚类模块、预测模块和模型构建模块，数据采集模块通过无线通信技术与外部股票网站连接并获取股票数据，数据采集模块与特征选择模块连接，且特征选择模块用于对获取的股票数据进行抽样，特征选择模块设有多组，且多组特征选择模块均与聚类模块连接，聚类模块用于将特征选择模块抽样的数据进行归总，聚类模块与模型构建模块连接，且模型构建模块内预设有lstm算法，模型构建模块与预测模块连接，且预测模块与特征选择模块连接，数据采集模块与外部股票网站进行连接，并且获取公开的股票数据，然后根据预测模块所设定需要获取的数据内容，并将其应用到特征选择模块内，即多个特征选择模块可以分别设定不同的抽样数据，从而通过多个特征选择模块同时抽取所需要的数据，然后经过聚类模块归总，将归总的数据输送至模型构建模块内，通过lstm算法模型进行计算，得到的结果即是预测的结果。
22.数据采集模块内设有网站连接模块、无线网络模块、网络监测模块和自动切换模块，网站连接模块与无线网络模块连接，且无线网络模块用于无线网络连接，无线网络模块与网络监测模块连接，且网络监测模块与自动切换模块连接，自动切换模块与网站连接模块连接，且网站连接模块内预设置有多组股票数据网站，多组股票数据网站主要是避免其中一组网站暂时无法连接，导致数据获取延时的情况。
23.还包括有制表模块和显示模块，制表模块与模型构建模块连接，并获取模型构建模块处理的数据，制表模块根据获取的数据进行图表制作，并将该数据输送至显示模块内，显示模块用于显示图表数据，制表模块是根据所获取的数据来进行制作表格，从而更方便用户进行查看，显示模块则是方便对结果进行显示，也是可以显示其他的数据。
24.还包括有缓存模块和控制模块，缓存模块与预测模块连接，且获取预测模块的预测数据，缓存模块与控制模块连接，且控制模块为系统总控制端，即用户可以通过控制模块来控制整个系统的运行，并进行更改，但这个所能操作的权限是需要进行划分的，避免非专业的用户更改数据参数后导致系统运行出现问题的情况。
25.还包括有储存模块和对比模块，储存模块与缓存模块连接，并获取缓存模块内缓存的数据，对比模块与储存模块连接，且对比模块与数据采集模块连接，储存模块主要是起到储存的作用，其数据接入是通过缓存模块进行连接的，即数据需要通过缓存模块进入储存模块的，而储存模块也是与对比模块连接的，对比模块主要是获取储存模块内预测的当日收盘价格，然后通过数据采集模块获取实际的当日收盘价格，并进行对比，对比的结果由对比模块输送至显示模块内显示。
26.网络监测模块用于监测数据采集模块当前与股票网站连接的状态，当网络连接断开时，自动切换模块发出控制信号给网站连接模块，网站连接模块根据预设的网站数据进行切换。
27.缓存模块具有定时清理功能，即通过定时清理功能，使得缓冲模块进入新数据时，缓冲模块内的旧数据得以清除。
28.以今天的收盘价格作为预测目标y，昨天开始往前n个交易日的收盘价格作为输入数据x,n个交易日可以自行进行设定，之后即可以获得输入数据x和预测目标y，将其通过
lstm算法来进行计算，在计算的过程中，可以把昨天的收盘价格作为一个新的y，把昨天往前的n个交易日的收盘价格作为输入数据x，即可以得到大量的数据，来作为lstm算法的计算数据。
29.在lstm算法计算出结果后，可以将计算出的结果再重头循环进去，即对后续的股票走势进行预测。
30.实施例二
31.根据图3所示，本实施例提出了一种新颖的特征选择框架，该框架由特征排序模块识别相关特征和聚类模块消除冗余特征组成，首先，使用通过训练的logistic回归、支持向量机和随机森林模型获得回归系数对输入变量进行排序，然后，将排名低于给定阈值的特征丢弃，并将剩余的特征分组到聚类中输入变量的重要性度量方法用来从每个聚类簇中选择排名最高的特征，形成最终的特征子集；
32.即在对数据进行特征提取的过程中，需要计算不同的技术特征，然后利用逻辑回归、支持向量机以及随机森林，对技术指标的重要性进行排序，然后，将排名低于给定阈值的特征丢弃，并将剩余的特征分组到聚类中，之后，通过聚类模块再次输入变量的重要性度量方法，从每个聚类簇中选择排名最高的特征，形成最终的特征子集，该特征子集即作为后续的计算数据，从而产生预测模型，即对每日股票的预测。
33.本发明基于多滤波特征和深度学习来提出了一种新颖的特征选择框架，该框架由特征排序模块识别相关特征和聚类模块消除冗余特征组成，用于对每日股票的走势进行预测，从而更真实、科学的为散户提供决策支持，同时采用多组特征选择模块能够更有效的对所需要的数据进行获取，提升效率，利用模型构建模块内预设的lstm算法，来提升预测结果的科学性，此外，通过设置的网络监测模块和自动切换模块，可以便于数据采集模块自行切换网络连接状态良好的股票网站进行股票数据获取，无需人工进行介入，确保获取数据的实时性。
34.以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。