CN106557979A - 基于gpu加速及并行遗传算法的金融数据分析方法及平台 - Google Patents

Abstract

本发明公开了一种基于GPU加速及并行遗传算法的金融数据分析方法及平台，该方法包括：获取品种价格的历史交易数据和实时交易数据，计算出相关技术指标；对相关技术指标进行优选；对选中技术指标的参数进行优化，染色体编码为每个选中技术指标重新分配不同长度的位串；以模拟实盘操作盈利总额、当前交易策略下手续费用、以及投入资金及胜率赔率作为参数，综合评价该技术指标组合选择和盈利止损策略的盈利状况和风险规避能力；用并行遗传算法调整技术指标组合及其技术指标参数组合；生成交易策略。本发明能够处理庞大、复杂的信息资料，提高了工作效率，更高效、及时的计算数据；可应用于证券、期货、基金等，帮助投资人在短时间内做出合理的分析。

Description

基于GPU加速及并行遗传算法的金融数据分析方法及平台

技术领域

本发明涉及金融技术领域，具体涉及一种基于GPU加速及并行遗传算法的金融数据分析方法及平台。

背景技术

遗传算法：遗传算法是由达尔文的理论演化出的强大的搜索技术。可以用于解决很多复杂问题。通常情况下，第一代种群个体，问题的初始解，是由随机算法产生的随机分布的个体组成的。在每一代的进化过程中，每个个体的适应度，通过评估函数计算得出。当一个适应度符合我们预期的个体产生时或者进化代数达到我们预计时，算法结束。

并行遗传算法通过多种群并行进化和引入迁移算子进行种群之间的信息交流，实现多种群的协同进化。通过人工选择系数对每个种群最优化个体保存，通过对协调种群间的信息交流策略得到最好的进化效果。

并行遗传算法需要更多的计算机、更大的内存、更快的网络环境，2006年9月，英伟达公司的ComputeUnified Device Architecture(CUDA)，一个并行计算架构设备的产生，使得很多算法焕发新的生机。

GPU通用技术：随着图像处理硬件的发展，图像处理硬件(GPU)的价格也越来越低廉而性能和开发领域也逐渐提升。可编程GPU是一种高度并行化、多线程、多核心的处理器。在计算功率和储存带宽上具有绝对优势。

其强大的计算性能不仅仅被应用于游戏，更被应用于其他科学领域，比如计算机辅助分析、医疗与生命科学、气象科学、金融学等通用GPU计算领域，尤其是Tesla架构硬件，具备更强的浮点数运算能力。我们将利用这类型设备，加速我们的算法。

下面以一个GPU上寻找最大值的例子简单介绍设备上的计算方式。——find_max()

我们唤醒一个线程网格，该网格内有pop_size/32个线程块，每个线程块内有32个线程。每个线程块内的32个线程把对应个体加载到块共享内存里，并行的做reduction，找到块内的最大值。每个线程块copy最大值到全局内存。唤醒一个线程，串行地从每个块的最大值中找出最大值。

在政府证券金融市场国际化与自由化的政策下，国内证券金融市场日益开放，许多资讯都数字化，再加上互联网的进步和电子商务的蓬勃发展，投资人可以通过更多的渠道来获取资讯，资料的获取已经打破时间和空间的限制，但面对庞大且复杂的信息资料，投资人难以在短时间内做出合理的分析和决断。单单就技术指标而言，就已达数百种，且每种技术指标都有可变的参数用于参考不同时间周期的市场情况。本发明致力于实现在NVIDIA的CUDA架构下的并行遗传算法的实现和该算法应用于金融交易策略的数据分析。

发明内容

有鉴于此，为了解决现有技术中的上述问题，本发明提出一种基于GPU加速及并行遗传算法的金融数据分析方法及平台，使用部分技术指标分析的方法，这些技术指标包含不同意义，对相关品种的走势进行分析，方便了投资者的投资决策。

本发明通过以下技术手段解决上述问题：

一种基于GPU加速及并行遗传算法的金融数据分析方法，包括如下步骤：

S1、技术指标：获取品种价格的历史交易数据和实时交易数据，计算出相关技术指标；

S2、技术指标组合：对相关技术指标进行优选；

S3、技术指标参数组合：对选中技术指标的参数进行优化，染色体编码为每个选中技术指标重新分配不同长度的位串；

S4、适应度计算：以模拟实盘操作盈利总额、当前交易策略下手续费用、以及投入资金及胜率赔率作为参数，综合评价该技术指标组合选择和盈利止损策略的盈利状况和风险规避能力；

S5、调整指标组合及其参数：用并行遗传算法调整技术指标组合及其技术指标参数组合；

S6、生成交易策略：在每个交易检查时刻，先按照经过训练改良的技术指标生成交易信号，各个交易技术指标所给出信号判断此时是应该做多还是做空，然后根据此时刻手中持有数量和盈亏状态，在相关惩罚修正函数辅助下，得出最终的交易策略。

进一步地，步骤S1中，从交易开拓者数据库和万得资讯数据库中获取品种价格的历史交易数据，从互联网中获取品种价格的实时交易数据。

进一步地，步骤S2中，具体过程如下：

使用Park-Miller random number方法产生伪随机数；

对相关技术指标进行优选时，基因编码长度为11的比特串，1代表选用该技术指标，0则为弃用该技术指标，在技术指标互相有关联的情况下，选中其中一个，其他即为选中。

进一步地，步骤S3中，每个技术指标所占用位串长度具体如下：

BIAS：需要为BIAS提供N天的参数选择，为N的取值范围从6～72考虑，BIAS的参数需要比特串长度为8；

RSI：RSI需要记录N日内股指期货市场价格上涨和下跌的趋势，所以为N的取值范围考虑需要比特串长度为8；

MACD：需要长天期和短天期长度为10的比特串，DIF天数需要长度为3的比特串，表示MACD向上突破向下突破的标志需要长度为1的比特串；

W％R指标：需要长度为6的比特串标志区间(0％～100％)，1位表示>或<，需要5位的比特串表示32种天期；

OBV指标：不需要可变参数，不为OBV指标分配比特串空间；

ROC指标：ROC需要比较N天前的价格，N即为ROC指标需要的指导参数，提供4位比特串给N；

PSY指标：此技术指标所需要变化参数较少，分配4位比特串，以减少搜索空间；

KD指标：需要长度为6的比特串标志区间(0％～100％)，1位表示>或<，需要5位的比特串表示32种天期，因为天期变化越大所造成影响越小，所以在天期变化时，采用惩罚函数改变结果为1.16的N次方，以达到缩小搜索空间的目的，需要1位比特位标志当前KD值状态是K向上突破还是D向下跌破，KD状态发生日期在0～15天，需要4位比特位表示；

DMI指标：需要以N为周期，所以为N提供长度为4的比特串；

MTM指标：需要N日周期和M参数，所以为N提供4位为M提供2位长度的比特串；

CMO指标：CMO技术指标计算不需要可变参数，仅需要k线数据作为输入，不为其分配空间。

进一步地，步骤S5中，并行遗传算法的实现包括实现Selection、CrossOver、Mutation过程：

轮盘赌算法实现Selection：将个体的适应度按照大小，转换为个体被自然选择的概率，概率大的个体在轮盘上所占弧度面积较大，反之所占弧度面积较小，显然，这种情况下，适应度较大的个体有更高几率被选中，符合优胜劣汰的自然规律，达到预期要求；

轮盘赌算法CrossOver：唤醒一个线程，串行的计算每个个体的适应度因子的累加，然后同联赛竞选算法；

Mutation：当p_mutation＝1/nvar的时候，可以达到种群在交叉和变异中达到合理的平衡，p_mutation为变异概率,nvar＝decision variables，对种群中每个变异的个体，将其基因位串改变其中一位。

一种基于GPU加速及并行遗传算法的金融数据分析平台，包括：

技术指标模块：获取品种价格的历史交易数据和实时交易数据，计算出相关技术指标；

技术指标组合模块：对相关技术指标进行优选；

技术指标参数组合模块：对选中技术指标的参数进行优化，染色体编码为每个选中技术指标重新分配不同长度的位串；

适应度计算模块：以模拟实盘操作盈利总额、当前交易策略下手续费用、以及投入资金及胜率赔率作为参数，综合评价该技术指标组合选择和盈利止损策略的盈利状况和风险规避能力；

调整指标组合及其参数模块：用并行遗传算法调整技术指标组合及其技术指标参数组合；

生成交易策略模块：在每个交易检查时刻，先按照经过训练改良的技术指标生成交易信号，各个交易技术指标所给出信号判断此时是应该做多还是做空，然后根据此时刻手中持有数量和盈亏状态，在相关惩罚修正函数辅助下，得出最终的交易策略。

本发明能够处理庞大、复杂的信息资料，提高了工作效率，更高效、及时的计算数据；可应用于证券、期货、基金等，帮助投资人在短时间内做出合理的分析。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于GPU加速及并行遗传算法的金融数据分析方法的流程图；

图2是本发明基于GPU加速及并行遗传算法的金融数据分析方法的逻辑图；

图3是本发明基于GPU加速及并行遗传算法的金融数据分析方法的交易策略指导图；

图4是本发明基于GPU加速及并行遗传算法的金融数据分析平台的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1、图2所示，本发明提供一种基于GPU加速及并行遗传算法的金融数据分析方法，包括如下步骤：

S1、技术指标：获取品种价格的历史交易数据和实时交易数据，计算出相关技术指标；

从交易开拓者(TradeBlazer)和万得(wind)资讯数据库获取品种价格的历史交易数据，实时交易数据从互联网获取，计算出相关技术指标。

S2、技术指标组合：对相关技术指标进行优选；

初始化的问题——产生随机数，在设备上使用Park-Miller random number的方法，产生伪随机数。

对一个候选技术指标进行优选时，基因编码为长度为11的比特串，1代表选用该技术指标，0则为弃用该技术指标。在技术指标互相有关联的情况下，选中其中一个，其他即为选中。

S3、技术指标参数组合：对选中技术指标的参数进行优化，染色体编码为每个选中技术指标重新分配不同长度的位串；

以下具体分析每个技术指标所占用位串长度。

BIAS：需要为BIAS提供N天的参数选择，为N的取值范围从6～72考虑，BIAS的参数需要比特串长度为8。

RSI：RSI需要记录N日内股指期货市场价格上涨和下跌的趋势。所以为N的取值范围考虑需要比特串长度为8。

MACD：需要长天期和短天期长度为10的比特串，DIF天数需要长度为3的比特串，表示MACD向上突破向下突破的标志需要长度为1的比特串。

W％R指标：需要长度为6的比特串标志区间(0％～100％)，1位表示>或<，需要5位的比特串表示32种天期。

OBV指标：不需要可变参数，所以在这一步不为OBV指标分配比特串空间。

ROC指标：ROC需要比较N天前的价格，N即为ROC指标需要的指导参数，市场上流行的方式是N＝5和N＝10。这里我们提供4位比特串给N，使得N的变化范围符合市场主流方式。

PSY指标：此技术指标所需要变化参数较少，分配4位比特串，以减少搜索空间。

KD指标：需要长度为6的比特串标志区间(0％～100％)，1位表示>或<，需要5位的比特串表示32种天期，因为天期变化越大所造成影响越小，所以在天期变化时，采用惩罚函数改变结果为1.16的N次方，以达到缩小搜索空间的目的。需要1位比特位标志当前KD值状态是K向上突破还是D向下跌破。KD状态发生日期在0～15天，需要4位比特位表示。

DMI指标：需要以N为周期，所以为N提供长度为4的比特串。

MTM指标：需要N日周期和M参数。所以为N提供4位为M提供2位长度的比特串。

CMO指标：CMO技术指标计算不需要可变参数，仅需要k线数据作为输入。所以在这一步骤也不为其分配空间。

关于遗传算法相关参数的设定:染色体长度为86，种群大小160*720，遗传代数100，交配方式两点交配，选择方式轮盘赌，交配率0.8，变异概率0.001。

S4、适应度计算：以模拟实盘操作盈利总额、当前交易策略下手续费用、以及投入资金及胜率赔率作为参数，综合评价该技术指标组合选择和盈利止损策略的盈利状况和风险规避能力；

S5、调整指标组合及其参数：用并行遗传算法调整技术指标组合及其技术指标参数组合；

并行遗传算法的实现包括实现Selection、CrossOver、Mutation过程：

轮盘赌算法实现Selection：将个体的适应度按照大小，转换为个体被自然选择的概率，概率大的个体在轮盘上所占弧度面积较大，反之所占弧度面积较小，显然，这种情况下，适应度较大的个体有更高几率被选中，符合优胜劣汰的自然规律，达到预期要求；

轮盘赌算法CrossOver：唤醒一个线程，串行的计算每个个体的适应度因子的累加，然后同联赛竞选算法；

Mutation：当p_mutation＝1/nvar的时候，可以达到种群在交叉和变异中达到合理的平衡，p_mutation为变异概率,nvar＝decision variables，对种群中每个变异的个体，将其基因位串改变其中一位。

S6、生成交易策略：在每个交易检查时刻，先按照经过训练改良的技术指标生成交易信号，各个交易技术指标所给出信号判断此时是应该做多还是做空，然后根据此时刻手中持有数量和盈亏状态，在相关惩罚修正函数辅助下，得出最终的交易策略。

如图3所示，根据交易策略，如果交易信号提示做多，则在下一个交易时刻以收盘价做多一手或多手(根据交易策略)，如果交易信号给出做空，则在下一交易时刻做空，交易后，状态从空手转变为多单或者空单，并且在每一个交易时刻做计算检查，等待另一个方向的规则特征出现。另一方面，为了减少策略上的不足，或者特殊情况的应对，加入了停利和止损的策略。如果持有的状况下，损失达到止损线，即使指标决策的信号并未给出，也强制出场；同样，在持有状况下，如果获利超过停利线，即使指标决策信号并未给出，此时就强制出场，此时恢复空手状态，等待指标决策信号给出下一次信号。做空时，同理应用止损和停利策略。在不同的止损线、停利线还有最多持有手数，可用资金等方面，可以实现不同结果。此交易策略仅帮助投资者分析大量的指标，提供择时建议。

实施例2

如图4所示，本发明还提供一种基于GPU加速及并行遗传算法的金融数据分析平台，包括：

技术指标模块：获取品种价格的历史交易数据和实时交易数据，计算出相关技术指标；

技术指标组合模块：对相关技术指标进行优选；

技术指标参数组合模块：对选中技术指标的参数进行优化，染色体编码为每个选中技术指标重新分配不同长度的位串；

适应度计算模块：以模拟实盘操作盈利总额、当前交易策略下手续费用、以及投入资金及胜率赔率作为参数，综合评价该技术指标组合选择和盈利止损策略的盈利状况和风险规避能力；

调整指标组合及其参数模块：用并行遗传算法调整技术指标组合及其技术指标参数组合；

生成交易策略模块：在每个交易检查时刻，先按照经过训练改良的技术指标生成交易信号，各个交易技术指标所给出信号判断此时是应该做多还是做空，然后根据此时刻手中持有数量和盈亏状态，在相关惩罚修正函数辅助下，得出最终的交易策略。

本发明能够处理庞大、复杂的信息资料，提高了工作效率，更高效、及时的计算数据；可应用于证券、期货、基金等，帮助投资人在短时间内做出合理的分析。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于GPU加速及并行遗传算法的金融数据分析方法，其特征在于，包括如下步骤：

S1、技术指标：获取品种价格的历史交易数据和实时交易数据，计算出相关技术指标；

S2、技术指标组合：对相关技术指标进行优选；

S3、技术指标参数组合：对选中技术指标的参数进行优化，染色体编码为每个选中技术指标重新分配不同长度的位串；

S4、适应度计算：以模拟实盘操作盈利总额、当前交易策略下手续费用、以及投入资金及胜率赔率作为参数，综合评价该技术指标组合选择和盈利止损策略的盈利状况和风险规避能力；

S5、调整指标组合及其参数：用并行遗传算法调整技术指标组合及其技术指标参数组合；

S6、生成交易策略：在每个交易检查时刻，先按照经过训练改良的技术指标生成交易信号，各个交易技术指标所给出信号判断此时是应该做多还是做空，然后根据此时刻手中持有数量和盈亏状态，在相关惩罚修正函数辅助下，得出最终的交易策略。

2.根据权利要求1所述的基于GPU加速及并行遗传算法的金融数据分析方法，其特征在于，步骤S1中，从交易开拓者数据库和万得资讯数据库中获取品种价格的历史交易数据，从互联网中获取品种价格的实时交易数据。

3.根据权利要求1所述的基于GPU加速及并行遗传算法的金融数据分析方法，其特征在于，步骤S2中，具体过程如下：

使用Park-Miller random number方法产生伪随机数；

对相关技术指标进行优选时，基因编码长度为11的比特串，1代表选用该技术指标，0则为弃用该技术指标，在技术指标互相有关联的情况下，选中其中一个，其他即为选中。

4.根据权利要求1所述的基于GPU加速及并行遗传算法的金融数据分析方法，其特征在于，步骤S3中，每个技术指标所占用位串长度具体如下：

BIAS：需要为BIAS提供N天的参数选择，为N的取值范围从6～72考虑，BIAS的参数需要比特串长度为8；

RSI：RSI需要记录N日内股指期货市场价格上涨和下跌的趋势，所以为N的取值范围考虑需要比特串长度为8；

MACD：需要长天期和短天期长度为10的比特串，DIF天数需要长度为3的比特串，表示MACD向上突破向下突破的标志需要长度为1的比特串；

W％R指标：需要长度为6的比特串标志区间(0％～100％)，1位表示>或<，需要5位的比特串表示32种天期；

OBV指标：不需要可变参数，不为OBV指标分配比特串空间；

ROC指标：ROC需要比较N天前的价格，N即为ROC指标需要的指导参数，提供4位比特串给N；

PSY指标：此技术指标所需要变化参数较少，分配4位比特串，以减少搜索空间；

KD指标：需要长度为6的比特串标志区间(0％～100％)，1位表示>或<，需要5位的比特串表示32种天期，因为天期变化越大所造成影响越小，所以在天期变化时，采用惩罚函数改变结果为1.16的N次方，以达到缩小搜索空间的目的，需要1位比特位标志当前KD值状态是K向上突破还是D向下跌破，KD状态发生日期在0～15天，需要4位比特位表示；

DMI指标：需要以N为周期，所以为N提供长度为4的比特串；

MTM指标：需要N日周期和M参数，所以为N提供4位为M提供2位长度的比特串；

CMO指标：CMO技术指标计算不需要可变参数，仅需要k线数据作为输入，不为其分配空间。

5.根据权利要求1所述的基于GPU加速及并行遗传算法的金融数据分析方法，其特征在于，步骤S5中，并行遗传算法的实现包括实现Selection、CrossOver、Mutation过程：

轮盘赌算法实现Selection：将个体的适应度按照大小，转换为个体被自然选择的概率，概率大的个体在轮盘上所占弧度面积较大，反之所占弧度面积较小，显然，这种情况下，适应度较大的个体有更高几率被选中，符合优胜劣汰的自然规律，达到预期要求；

轮盘赌算法CrossOver：唤醒一个线程，串行的计算每个个体的适应度因子的累加，然后同联赛竞选算法；

Mutation：当p_mutation＝1/nvar的时候，可以达到种群在交叉和变异中达到合理的平衡，p_mutation为变异概率,nvar＝decision variables，对种群中每个变异的个体，将其基因位串改变其中一位。

6.一种基于GPU加速及并行遗传算法的金融数据分析平台，其特征在于，包括：

技术指标模块：获取品种价格的历史交易数据和实时交易数据，计算出相关技术指标；

技术指标组合模块：对相关技术指标进行优选；

技术指标参数组合模块：对选中技术指标的参数进行优化，染色体编码为每个选中技术指标重新分配不同长度的位串；

适应度计算模块：以模拟实盘操作盈利总额、当前交易策略下手续费用、以及投入资金及胜率赔率作为参数，综合评价该技术指标组合选择和盈利止损策略的盈利状况和风险规避能力；

调整指标组合及其参数模块：用并行遗传算法调整技术指标组合及其技术指标参数组合；

生成交易策略模块：在每个交易检查时刻，先按照经过训练改良的技术指标生成交易信号，各个交易技术指标所给出信号判断此时是应该做多还是做空，然后根据此时刻手中持有数量和盈亏状态，在相关惩罚修正函数辅助下，得出最终的交易策略。