一种高频金融时序序列多类别预测方法

摘要

本发明公开了一种高频金融时序序列多类别预测方法，基于数字货币高频交易数据，得到数据集和用于对应标记数据集元素类别的标签集，数据集分为验证集和训练集；预测模型包括三层Bi‑LSTM神经网络层，神经网络层后接Attention层，Attention层后接全连接层；将训练集应用mini‑batch随机算法结合Adam优化算法，输入神经网络层进行训练更新权重；在tN时刻预测tN+1时刻，将已有特征向量xN‑w+1,…,xN标准化后拼成特征矩阵XN+1，w为时间窗口长度，输入至预测模型，得到输出与标签集标签相对应格式的四维向量pN+1，四维向量pN+1为神经网络预测类别的概率分布，最大值所处位置即对应预测类别。