金融预测方法及系统与流程

本发明涉及金融领域，具体涉及一种金融预测方法及系统。

背景技术：

金融市场由于市场运动规律，企业风险，政府干预风险，以及购买力风险导致金融市场的综合性，复杂性大大提升。针对金融市场，尤其是股票市场的精准预测成为企业规避风险中最重要的手段。随着数据挖掘技术和人工智能的深度学习技术的进一步发展，可以通过这些技术对金融市场的规律性，智能性进行分析，能够很好的预测出股票市场数据的走向。

技术实现要素：

本发明要解决的技术问题是提供一种金融预测方法及系统，对人工智能技术和数据挖掘技术近年来火热的在各个行业的应用，提出一种用于金融领域行业股票预测的系统，能够自动的预测下一周行业股票的趋势，同时提高股票预测的准确率，帮助用户快速了解下一周股票的趋势。

为了解决上述技术问题，本发明提供了一种用于金融领域行业股票预测的系统，包括行业股票数据采集模块、行业股票数据预处理模块、行业股票数据训练模块、行业股票数据预测模块；

S1:所述行业股票数据采集模块，用于得到各个行业从初始到至今的股票数值数据，包括了煤炭、钢铁、互联网等行业的数据，为S3所构建的模型进行数据的支撑；

S2:所述行业股票数据预处理模块，用于对各个行业的股票数值数据进行清理，重构；

S3：所述行业股票训练模块，用于对S2构建的数据，进行预测模型的搭建；

S4：所述行业股票数据预测模块，对于S3训练的模型，使用训练模型进行行业股票初始时间至未来一周五天的数据值进行预测；

S5：所述行业股票预测值和真实值对比展示展示模块。

在其中一个实施例中，针对行业股票数据是一种类似于时间序列的函数模型，使用人工智能领域中对时间序列模型有着很好的效果的LSTM模型进行模型的训练。

在其中一个实施例中，所述行业股票预测值和真实值对比展示展示模块，用于将模型预测的各个行业从初始到未来下一周的预测值和真实数据进行折线图的展示，方便用户观察模型的可信性。

一种用于金融领域行业股票预测的方法，包括；

S1：得到各个行业从初始到至今的股票数值数据，包括了煤炭、钢铁、互联网等行业的数据；

S2：对各个行业的股票数值数据进行清理，重构；

S3：用于对S2构建的数据，进行预测模型的搭建；

S4：对于S3训练的模型，使用训练模型进行行业股票初始时间至未来一周五天的数据值进行预测；

S5：对比展示所述行业股票预测值和真实值。

在其中一个实施例中，针对行业股票数据是一种类似于时间序列的函数模型，使用人工智能领域中对时间序列模型有着很好的效果的LSTM模型进行模型的训练。

在其中一个实施例中，将模型预测的各个行业从初始到未来下一周的预测值和真实数据进行折线图的展示。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

能够自动的预测下一周行业股票的趋势，同时提高股票预测的准确率，帮助用户快速了解下一周股票的趋势。

附图说明

图1是金融行业股票预测的系统和方法的总体流程示意图。

图2是行业股票数据采集模块流程示意图。

图3是行业股票数据预处理模块流程示意图。

图4是行业股票训练模块流程示意图。

图5是行业股票数据预测模块流程示意图。

图6是行业股票预测值和真实值对比展示展示模块流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

图1是金融行业股票预测的系统和方法的总体流程示意图。概括来说，该方法主要包括：

模块100)行业股票数据采集模块，此模块用于得到各个行业从初始到至今的股票数值数据，包括了煤炭、钢铁、互联网等行业的数据，将这些数据存入到数据库中，为S3所构建的模型进行数据的支撑，具体包括以下步骤：

步骤110：通过调研确定需要爬取的金融行业股票网络资源

步骤120：使用爬虫框架对确定的资源进行数据的爬取

步骤130：将爬取的行业股票数据存入到数据库中

模块200)行业股票数据预处理模块，此模块用于对行业股票数据进行模型训练的数据预处理。具体步骤如下：

步骤210：从数据库中读取数据信息

步骤220：针对股票行业遇到法定节假日停盘等方面的原因，对缺失到至今为止的信息进行日期补全

步骤230：将爬取的日期时间转化为该日期对应的是周几，方便后续步骤的逻辑判别，对于日期转化为星期可以使用时间戳的方式进行转换。例如在python中，可以使用mktime、strptime进行转换

步骤240：判断数据对应的时间为周几，如果是周六、周日则进入步骤290，反之则进入步骤250，原因在于对于正常情况，周六、周日停盘，所以我们不做处理

步骤250：将周一至周五的数据按时间顺序进行存储

步骤260：对周一至周五的缺省值，进行该周的平均值填充，形成完整的一周数据集合

步骤270：由于模块300)的需要，对数据进行2、3、4、5个星期的滑窗

步骤280：保存预处理数据的结果到list中

模块300)行业股票训练模块，此模块用于对模块200)构建的数据，进行预测模型的搭建，使模型能够精准预测未来一周股票数据的能力。具体包括如下步骤：

步骤310：对滑窗数据，进行时间序列模型LSTM的模型训练，得到4个LSTM训练模型

步骤320：使用4个训练得到的模型进行历史数据的预测

步骤330：使用模型预测值和历史真实值做均方根误差计算，得到4个模型的均方根误差值。

步骤340：针对均方根结果进行4个模型的排列

步骤350：根据步骤340的结果，得到4个模型对于本周，哪一个模型预测的更准确进行准确率的排序

步骤360：对于步骤350模型准确率的排序结果，进行逻辑归回的训练得到逻辑回归模型，通过逻辑回归模型确定未来一周的数据使用4个模型中哪一个准确率更高

模块400)行业股票数据预测模块，此模块用于对于模块300)训练的模型，使用训练模型进行行业股票初始时间至未来一周五天的数据值进行预测，具体步骤如下：

步骤410：通过上一周的模型准确率情况，使用逻辑回归模型，预测四个模型中下周最准确的模型

步骤420：在得到使用哪一个模型会更好预测下周之后，通过训练的LSTM模型对下一周数据进行预测

步骤430：将得到的结果存到数据库中，提供前端展示使用

模块500)行业股票预测值和真实值对比展示展示模块，此模块用于将模型预测的各个行业从初始到未来下一周的预测值和真实数据进行折线图的展示，方便用户观察模型的可信性。具体步骤如下：

步骤510：从模型预测的数据库中得到从初始到未来一周预测的数据

步骤520：通过前端框架绘出两条曲线，包括真实值和预测值，以提供给用户直观的展示。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。