一种利用光子晶体储备池训练光信号的股票预测方法

1.本技术涉及计算机技术领域，具体而言，涉及一种利用光子晶体储备池训练光信号的股票预测方法。


背景技术：

2.自17世纪世界上最早的证券交易所—阿姆斯特丹证券交易所诞生以来，众多投资者获益于股票市场的高回报性，因此股票市场波动与变化一直是众多投资者重点关注的热点，这些投资者希望通过科学研究，揭示股票市场的运行规律，并准确预测股票的价格走势。然而，股市中股票价格受到众多因素的共同影响，是一个非常复杂的动力学系统，其非线性、非平稳性、噪声特性、长记忆性与复杂性等特点导致开展股票价格的预测工作极为困难。
3.新发行的股票通常是指上市时间较短，未进行分红派送除权的股票，一般新发行的股票都会迎来上升期，在此期间股票价格会上升，这是由于新股市盈率低，估值自然低，在上市后，认购新股的人多，需求大，新股股价就会涨到实际价值甚至超过实际价值，因此，对新发行的股票进行准确的预测对于投资者来说十分重要。现有的股票预测方法大都是发行时间较久、数据量较多的股票的预测方法，这样的预测方法的准确率与股票数据的样本量密切相关，其中预测的准确率主要取决于样本的容量大小，样本容量越大，预测准确率越高，样本容量越小，预测结果的准确率越低。但是，由于新发行股票的上市时间短，可训练样本容量小，对新发行股票的预测比传统股票预测更困难。
4.综上所述，现有的股票预测方法对上市时间短，数据量较少的新发行股票的预测准确率较低，因此，不适合对新发行股票进行预测，不能为新发行股票的投资者提供参考和建议。


技术实现要素：

5.本发明的目的在于，针对上述现有技术中的不足，提供一种利用光子晶体储备池训练光信号的股票预测方法，以解决现有的股票预测方法对上市时间短，数据量较少的新发行股票的预测准确率较低的问题。
6.迁移学习是一种机器学习的方法，指的是一个预训练的模型被重新用在新的任务中，这样预训练模型作为新模型的起点，将已习得的强大技能迁移到新任务的解决中。迁移学习是将旧模型中训练得到的预测能力用于新模型中，这样使得新模型的预测能力更强，使得新模型解决相关问题的能力较强，在此基础上，仅需要将样本输入新模型，就可以获得很好的预测结果，新任务中不需要使用大量的数据对新模型进行训练，因此迁移学习方法在解决数据量较少的小数据问题中能够取得很好的效果。本发明方法中使用迁移学习方法解决新发行股票预测领域数据量小的问题。由于股票市场中新发行股票与其所属股市板块的价格变动规律往往具有相关性和联动性，因此利用数据量较大的股市板块数据训练得到模型应用于新发行股票的预测任务中，能够有效提升新发行股票的预测准确率。光子晶体
储备池是可用于训练的神经网络，光子晶体储备池相较于深度学习与机器学习等算法不需要训练大量的神经元与多种权重，仅需训练输出权重就能够完成预测任务；这样一方面能够提升运算速度，减少时间成本，另一方面，能够有效提升预测准确率。
7.本技术提供一种利用光子晶体储备池训练光信号的股票预测方法，该方法包括如下步骤：s1，获取股票数据并进行预处理；s2，构建光子晶体储备池并对其进行训练；s3，迁移学习；s4，误差评估及预测结果的输出。
8.步骤s1包括：收盘价数据获取、归一化处理、去噪处理。具体地，收盘价数据为新发行股票的收盘价数据和该新发行股票所属股市板块的收盘价数据；归一化处理采用公式进行；降噪处理采用阶数为3的db3小波利用wden函数实现数据去噪，其阈值标准为minimaxi极大极小值阈值标准。
9.步骤s2包括：构建光子晶体储备池和对构建的光子晶体储备池进行训练。收盘价数据通过信号调制器与混沌掩盖信号生成掩盖后的信号，再利用由驱动激光器驱动的电光调制器将掩盖后的信号调制为包含新发行股票所属股市板块信息的光信号，调制后的光信号与注入激光器输出的光信号通过光纤合束器合并为一路光信号注入光子晶体储备池。训练时将输入的前100个将新发行股票所属股市板块收盘价数据作为初始化数据，用于去除光子晶体储备池先前残留的状态。训练过程中依据预测值和真实值的差异大小，调节光子晶体储备池的参数，输出权重。调节的光子晶体储备池的参数包括光子晶体储备池的虚拟节点数目与间隔、采样周期与光子晶体反馈环的反馈时间、训练新发行股票所属股市板块数据的长度、预测新发行股票数据的长度、激光器初始化长度、光子晶体储备池的反馈强度、注入强度与注入功率。从光子晶体储备池的反馈环中提取其虚拟节点状态，再由提取到的虚拟节点状态计算输出权重w
out
，并通过下述公式计算预测结果：y(n)＝∑x(n)w
out
，其中，x(n)为输入数据，w
out
为输出权重，y(n)为预测结果。
10.步骤s4包括使用归一化均方误差(nmse)、均方根误差(rmse)、平均绝对误差(mae)与平均绝对百分比误差(mape)四个评估指标，对预测结果和真实结果的差异进行评估。本发明中，重复光子晶体储备池的训练过程、迁移学习、误差评估，通过调节光子晶体储备池的参数不断优化预测结果与其误差指标，直到预测值和真实值的变化趋势一致，最终获得预测误差小、预测性能高的新发行股票收盘价预测结果。更具体地，本发明中，对科前生物的收盘价格进行预测，nmse、rmse、mae和mape分别都小于0.09、0.06、0.05和4.32
×
10-5
，这说明本发明方法得到的预测值和真实值的差异较小，即本发明方法的预测准确率较高。
11.与现有技术相比，本发明的有益效果：本发明中采用迁移学习将利用大数据量训练得到的预测能力用于预测数据量较少的新发行股票，有效提升预测准确率。光子晶体储备池相较于深度学习与机器学习等算法不需要训练大量的神经元与多种权重，而仅需训练输出权重就能够完成预测任务的计算过程，提升了计算速度，同时光子晶体储备池具有可集成、可扩展、微型化、成本低、功耗低的优势。本发明解决了股票市场中上市时间短、数据量少的新发行股票的快速预测问题，且预测准确率较高，能够为投资者提供重要的参考。
附图说明
12.图1为本发明提供的一种利用光子晶体储备池训练光信号的股票预测方法的示意
图；
13.图2为本发明提供的一种利用光子晶体储备池训练光信号的股票预测方法的总体原理示意图；
14.图3为本发明方法得到的新发行股票(科前生物)的预测结果图；
15.图4为本发明方法得到的新发行股票(科前生物)的百分误差结果图。
具体实施方式
16.为了使本发明的实施过程更加清楚，下面将会结合附图进行详细说明。
17.本发明提供了一种利用光子晶体储备池训练光信号的股票预测方法，如图1所示，该方法包括如下步骤：
18.s1，获取股票数据并进行预处理；
19.收集新发行股票的收盘价数据和该新发行股票所属股市板块的收盘价数据，收盘价数据具体指的是收盘时的股价和对应的日期。由于股市板块根据行业特点划分，新发行股票的收盘价与所属股市板块的收盘价具有高度关联性并具有相似的变化规律，即新发行股票的涨跌与所属股市板块整体的涨跌变化趋势相似。这样，本发明中能够根据对新发行股票所属股市板块的收盘价数据的特点进行学习的结果，提升新发行股票收盘价格的预测准确率。
20.具体地，以新发行股票科前生物(股票代码：688526)和所属股市板块农业服务板块(股票代码：881104)为例，二者收盘价数据情况如表1所示：
21.表1新发行股票(科前生物)收盘价数据与新发行股票所属股市板块(农业服务板块)收盘价数据情况
[0022][0023]
对获取的新发行股票的收盘价数据和该新发行股票所属股市板块的收盘价数据均进行归一化处理和去噪处理，先进行归一化处理，再进行去噪处理。具体地，归一化处理采用如下公式进行：
[0024][0025]
其中，x和x
norm
分别代表归一化前后的收盘价数据，x
min
与x
max
分别表示归一化前的数据中的最小值与最大值。归一化使得变化程度不同的收盘价数据在同一个基准上进行比较。更具体地，去噪处理采用阶数为3的db3小波(daubechies小波)，利用wden函数实现数据去噪，其阈值标准为minimaxi极大极小值阈值标准，函数选择阈值使用方式为软阈值方式，阈值处理随噪声水平根据每一层小波分解的噪声水平估计进行调整，即为mln方式，分解层数设置为三层的分解尺度。去噪处理使得噪声被去除，更容易找到收盘价数据的特征，进而对其进行学习。
[0026]
s2，构建光子晶体储备池并对其进行训练；
[0027]
如图2所示，步骤s1预处理后的新发行股票所属股市板块的收盘价数据通过信号调制器与混沌掩盖信号生成掩盖后的信号，再利用由驱动激光器驱动的电光调制器将掩盖
后的信号调制为包含新发行股票所属股市板块信息的光信号，调制后的光信号与注入激光器输出的光信号通过光纤合束器合并为一路光信号注入光子晶体储备池，两路合束光之间不产生相互作用，注入激光器输出的光信号用于激发光子晶体储备池，调制后的光信号为待训练的光信号。
[0028]
光子晶体储备池包括以下三个部分：输入层、储备池和输出层。输入层用于输入光信号，储备池用于训练光信号，输出层用于输出权重，并得到预测结果。具体地，输入层、储备池、输出层可以是设置于程序中的对应运算模块，也可以是构建的光子晶体储备池的具体设置。相应的，信号调制器、光电调制器、驱动激光器、注入激光器、光纤合束器、光子晶体储备池均可以是实际的器件也可以是程序中的运算模块，具体的流程和方法是一致的。
[0029]
光子晶体储备池相较于深度学习与机器学习等算法不需要训练大量神经元与多种权重，而仅需训练输出权重就能够完成预测任务的计算过程，运行速度较快，时间成本低。仅输出权重，输出的权重数少，更容易被迁移学习过程学习到，从而学习到更多的特征，即迁移学习的效率更高，学习能力更好，能够更好地完成预测小样本的任务，预测准确率较高。光子晶体储备池具有可集成、可扩展、微型化、成本低、功耗低的优势。
[0030]
将携带有新发行股票所属股市板块信息的光信号输入光子晶体储备池的输入层，对光子晶体储备池进行训练。训练过程中依据预测值和真实值的差异大小，调节光子晶体储备池的参数，即调节时差异减小则同向调整，差异增大则反向调整，最终使得差异最小，由输出层输出权重。具体地，调节的光子晶体储备池的参数包括光子晶体储备池的虚拟节点数目与间隔、采样周期与光子晶体反馈环的反馈时间、训练新发行股票所属股市板块数据的长度、预测新发行股票数据的长度、激光器初始化长度、光子晶体储备池的反馈强度、注入强度与注入功率。通过大量的新发行股票所属股市板块信息的光信号对光子晶体储备池进行充分训练；这样，光子晶体储备池能够学习到较多的特征，从而迁移学习过程得到更多的特征，使得预测准确率较高。
[0031]
具体地，训练时将输入的前100个将新发行股票所属股市板块收盘价数据作为初始化数据，用于去除光子晶体储备池先前残留的状态，这样使得光子晶体储备池的先前状态对训练过程不产生影响。光子晶体储备池的参数为：虚拟节点数为100、采样周期为1ns、虚拟节点间隔为0.02ns、延迟线的反馈时间为1.02ns、训练新发行股票所属股市板块数据的长度635、预测新发行股票数据的长度为211，光子晶体储备池的注入功率为1.3mw、反馈强度为1
×
104、注入强度为1
×
10-15
；上述参数为训练得到的最优参数，每个参数微小的调整会使得预测准确率相差较大。具体地，光子晶体储备池的输出层从光子晶体储备池的反馈环中提取其虚拟节点状态，再由提取到的虚拟节点状态计算输出权重w
out
，并通过下述公式计算预测结果：
[0032]
y(n)＝∑x(n)w
out
[0033]
其中，x(n)为输入数据，w
out
为输出权重，y(n)为预测结果。训练过程采用线性最小二乘法进行优化。先将电信号转化为光信号再对光子晶体储备池进行训练，这是由于光子晶体储备池只能用于训练光信号，而相较于电信号，光信号由于不易被周围电磁环境干扰，学习到的特征更加准确，从而使得迁移过程能够学习到更多数据特征，以提升预测准确率。
[0034]
s3，迁移学习；
[0035]
迁移学习是一种学习方式，通过对光子晶体储备池的训练，光子晶体储备池学习
到较多数据特征，这些特征通过迁移学习过程用于预测新发行股票收盘价数据。具体地，基于训练后的光子晶体储备池的输出权重，通过迁移学习对步骤s1中预处理后的新发行股票收盘价数据进行处理，输出新发行股票收盘价的预测结果。由于新发行股票的收盘价和该新发行股票所属股市板块的收盘价具有高度关联性并具有相似的变化规律，因此，能够利用数据量大的新发行股票所属股市板块的收盘价数据对光子晶体储备池进行训练，以训练得到的权重预测数据量小的新发行股票收盘价。利用大数据量训练好的光子晶体储备池的预测能力较强，通过迁移学习将较强的预测能力用于预测新发行股票的收盘价，由于已经具有较强的预测能力，因此不需要较多的新发行股票的收盘价数据即可完成预测任务，且预测准确率较高。
[0036]
具体地，如图3所示，为利用迁移学习在农业服务板块收盘价数据训练情况下科前生物股票收盘价数据的预测结果及其与实际收盘价的对比结果，其中两条曲线分别代表真实的科前生物股票收盘价和预测的科前生物股票收盘价，预测曲线与真实曲线非常接近，二者变化趋势一致，说明迁移学习的预测效果明显，本发明方法的预测准确率较高。
[0037]
s4，误差评估及预测结果的输出。
[0038]
利用多种评估指标对新发行股票的收盘价的预测结果进行评估，分析预测结果的可靠性。具体地，包括如下四个评估指标：归一化均方误差(nmse)、均方根误差(rmse)、平均绝对误差(mae)与平均绝对百分比误差(mape)，四个评估指标的表达式如下：
[0039][0040][0041][0042][0043]
其中，y(n)与分别代表真实值与预测值，n代表总体采样点数，var代表方差。上述四个误差分别反映不同方面的误差，四个误差同时使用。
[0044]
具体地，图3中科前生物的预测收盘价与真实收盘价之间的误差可通过上述四个评估指标进行衡量，其误差计算结果如表2所示。表2中nmse、rmse、mae和mape分别都小于0.09、0.06、0.05和4.32
×
10-5
，这说明本发明方法得到的预测值和真实值的差异较小，即本发明方法的预测准确率较高。
[0045]
表2四个股指预测结果的误差评估指标。
[0046][0047]
图4所示为科前生物当日的预测收盘价相对于前一日真实收盘价的涨跌幅百分比误差，其中两条曲线分别代表真实百分比误差和预测百分比误差。百分比误差越小，说明预
测越准确。从图4中可以看出，预测百分比误差与真实百分比误差非常接近，两者的平均误差值为2.5369％，小于3％，同时能够看出真实百分比误差和预测百分比误差主要集中在-10％-10％之间。这说明，预测百分比误差较小，且波动较小，进一步说明，本发明方法的预测准确率较高，预测效果好。
[0048]
重复光子晶体储备池的训练过程、迁移学习、误差评估，通过调节光子晶体储备池的参数不断优化预测结果与其误差指标，直到预测值和真实值的变化趋势一致，最终获得预测误差小、预测性能高的新发行股票收盘价预测结果。另外，本发明中也可以预测开盘价或者某一时刻的股价，仅需获取数据为开盘价或对应时刻的股价即可，本发明中以收盘价为例。
[0049]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。