(19)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 202210931682.2 (22)申请日 2022.08.04 (71)申请人 西南大学 地址 400715 重庆市北碚区天生 街道天生 路2号 (72)发明人 庞凝　黄洁　向志丹　王紫薇　 范睿婷　陈琪　解宜原　 (74)专利代理 机构 重庆萃智邦成专利代理事务 所(普通合伙) 50231 专利代理师 文怡然 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/04(2012.01) G06N 20/00(2019.01) (54)发明名称 一种利用光子晶体储备池训练光信号的股 票预测方法 (57)摘要 本申请涉及计算机技术领域， 具体提供了一 种利用光子晶体储备池训练光信号的股票预测 方法， 该方法包括： 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。 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。 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。 权利要求书1页 说明书6页 附图2页 CN 115310694 A 2022.11.08 CN 115310694 A 1.一种利用光子晶体储备池训练光信号的股票预测方法， 其特征在于， 所述方法包括 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。 2.根据权利要求1所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述预处 理包括归一 化处理和去噪处 理。 3.根据权利要求2所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述归一 化处理的公式为： 其中， x和xnorm分别代表归一化前后的收盘价数据， xmin与xmax分别表示归一化前的数据 中的最小值与最大值。 4.根据权利要求3所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述去噪处 理采用阶数为3的db3小 波。 5.根据权利要求4所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述步骤S2中所述预 处理后的股票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。 6.根据权利要求5所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述光子晶体储备池包括输入层、 储备池、 输出层， 所述输出层提取虚拟节点状态得到 输出权重Wout。 7.根据权利要求6所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述步骤S2中所述训练之前将前100个股票数据作为初始 化数据， 输入所述光子晶体储 备池。 8.根据权利要求7所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述步骤S2中所述训练过程中调节所述光子晶体储备池的参数， 所述参数包括所述光 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。 9.根据权利要求8所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述步骤S4中所述误差评估使用归一化均方误差(NMSE)、 均方根误差(RMSE)、 平均绝对 误差(MAE)、 平均绝对百分比误差(MAPE)四个评估指标进行。 10.根据权利要求1所述的利用光子晶体储备池训练光信号的股票预测方法， 其特征在 于， 所述股票数据为 新发行股票的收盘价数据和新发行股票所属股市板块收盘价数据。权　利　要　求　书 1/1 页 2 CN 115310694 A 2一种利用光子晶体储备 池训练光 信号的股票预测方 法 技术领域 [0001]本申请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 [0002]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。 [0003]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。 [0004]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。 发明内容 [0005]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。 [0006]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。 光子晶体说　明　书 1/6 页 3 CN 115310694 A 3