一种基于3D-CNN和哈希注意力机制的LSTM股价预测优化方法

摘要

本发明提供一种基于3D‑CNN和哈希注意力机制的LSTM股价预测优化方法，包括如下步骤；针对股票数据高维的特征引入多维卷积神经网络机制加强股票数据中的深度特征提取能力，其中股票数据为基本属性、技术指标和融合市场情感评论文本的多组相关时态数据；根据步骤1中的股票数据维度，确定一维卷积神经网络类型；因步骤1中包含三种股票数据类型，因此采用三个卷积神经网络，并采用高斯核函数作为卷积核，采用池化层大小为4的维度进行池化操作；对于基础网络LSTM选用基于局部敏感哈希的注意力机制来调整神经元权重，使得影响大的神经元占比更大。本发明将注意力机制用于LSTM隐藏层神经元状态权重调整，增加有效特征的对最终输出的影响程度，提高了预测准确率。