(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111658917.7 (22)申请日 2021.12.3 0 (71)申请人 淮阴工学院 地址 223003 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 杨玉东　赵子涵　王子民　张秀文　 王赫鑫　李文博　朱思源　冯梦婷　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06Q 40/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多特征融合生成对抗网络的股票 收盘价预测方法 (57)摘要 本发明公开了一种基于多特征融合生成对 抗网络的股 票收盘价预测方法， 预先获取股票数 据； 选取N日为窗口滚动划分数据集， 将得到的数 据集为多特征数据源， 收盘价的滚动数据集作为 真实序列； 构建包括生成器和判别器的生成对抗 网络， 其中生成器是由门控循环单元构成， 用于 生成股票数据； 判别器由卷积神经网络构成， 用 于区分真假数据； 从多特征数据源依次取出数据 作为输入， 先将其进行皮尔森相关性分析， 得到 相关性矩阵， 然后将相关性矩阵利用PCA进行数 据降维， 得到特征矩阵， 最后将特征矩阵输入生 成对抗网络进行训练。 本发明采用基于皮尔森相 关性分析的PCA特征融合方法， 可以凝练特征， 利 用尽可能少的维度代 表尽可能多的信息 。 权利要求书2页 说明书5页 附图1页 CN 114331727 A 2022.04.12 CN 114331727 A 1.一种基于多特征融合生成对抗网络的股票收盘价预测方法， 其特征在于， 包括如下 步骤： (1)预先获取股票数据， 并对数据进行 预处理； (2)选取开盘价、 成交量、 最高价、 最低价， 以及由以上基础因素计算得来的相对强弱指 数RSI、 随机震荡指标 KD、 累积/派发线AD、 真实波动幅度均值ATR等多个特 征作为数据源； (3)选取N日为窗口滚动划分数据集， 将得到的数据集为多特征数据源， 收盘价的滚动 数据集作为真实序列； (4)构建包括生成器和判别器的生成对抗网络， 其中生成器是由门控循环单元构成， 用 于生成股票数据； 判别器由卷积神经网络构成， 用于区分 真假数据； (5)从多特征数据源依次取出数据作为输入， 先将其进行皮尔森相关性分析， 得到相关 性矩阵， 然后将相关性矩阵利用PCA进行数据降维， 得到特征矩阵， 最后将特征矩阵输入生 成对抗网络进行训练； (6)将真实的收盘价序列记为 “真”， 生成器生成的收盘价序列记为 “假”， 将“假”序列与 “真”序列分别输入判别器， 输出真伪的判断结果， 根据判断结果进 行反复训练， 直至达到纳 什均衡， 训练结束。 2.根据权利要求1所述的基于多特征融合生成对抗网络的股票收盘价预测模型， 其特 征在于， 所述步骤(1)所述数据预处理为： 对 数据进行量纲处理， 并按照8:2划分训练集测试 集。 3.根据权利要求1所述的基于多特征融合生成对抗网络的股票收盘价预测方法， 其特 征在于， 步骤(4)所述卷积神经网络是由卷积层、 池化层和全连接层构成， 其中卷积层主要 是通过共享权值 来实现对特 征的提取， 其数 学表达式为： 式中， σ 为激活函数， c为偏置参数， L表示局部感受野的长， m表示局部感受野的宽， wl,m 是权重参数， αj+l,k+m表示卷积层的输入数据。 4.根据权利要求1所述的基于多特征融合生成对抗网络的股票收盘价预测模型， 其特 征在于， 步骤(4)所述生成器是由三层门控神经单元与三个全连接层组成， 共计六层； 第一 层为1024个神经元， 第二层为512个神经元， 第三层为256个神经元， 学习率为0.0006， 并且 每一层都设置Dropout防止过拟合； 接下来的三层全连接网络， 输出维度分别设置为128、 64、 N， N*1的序列 作为生成器的最终输出。 5.根据权利要求1所述的基于多特征融合生成对抗网络的股票收盘价预测模型， 其特 征在于， 步骤(4)所述判别器是由两个卷积层与一个全连接层组成， 卷积核与步长均为[2， 2]， 激活函数为LeakyRelu， 学习率为0.0006， 负数部分线性函数的梯度均为0.01， 全 连接层 输出维度为1， 激活函数为sigmo id。 6.根据权利要求1所述的基于多特征融合生成对抗网络的股票收盘价预测方法， 其特 征在于， 步骤(5)所述皮尔森相关性分析实现过程如下： 其中， ρ(X,Y)为皮尔森相关系数， COV为两个变量的协方差， 分母为两个变量标准差的权　利　要　求　书 1/2 页 2 CN 114331727 A 2乘积； μX表示X的平均值， μY表示Y的平均值， E为期望 。 7.根据权利要求1所述的基于多特征融合生成对抗网络的股票收盘价预测方法， 其特 征在于， 步骤(5)所述将相关性矩阵利用PCA进行 数据降维的实现过程如下： S1： 计算矩阵X的样本的协方差矩阵S； S2： 计算协方差矩阵S的特 征向量e1,e2,…,ei特征值,t＝1,2, …,i； S3： 利用以下公式投影数据到特 征向量的空间之中： 其中， BVi是原样本中第i个维度的值。权　利　要　求　书 2/2 页 3 CN 114331727 A 3