CN108876627A - 量化分析模型处理方法及系统、存储介质及电子终端 - Google Patents
量化分析模型处理方法及系统、存储介质及电子终端 Download PDFInfo
- Publication number
- CN108876627A CN108876627A CN201810599418.7A CN201810599418A CN108876627A CN 108876627 A CN108876627 A CN 108876627A CN 201810599418 A CN201810599418 A CN 201810599418A CN 108876627 A CN108876627 A CN 108876627A
- Authority
- CN
- China
- Prior art keywords
- data
- quantitative analysis
- analysis model
- historical quotes
- normalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及数据处理技术领域,具体涉及一种量化分析模型处理方法、一种量化分析模型处理系统、一种存储介质以及一种电子终端。所述方法包括:对后复权处理后的证券历史行情数据进行归一化处理;根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型。本公开训练得到的量化分析模型能够适应不同的证券的行情,具有更好的泛化能力。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种量化分析模型处理方法、一种量化分析模型处理系统、一种存储介质以及一种电子终端。
背景技术
当前的证券投资交易方式主要包括主观交易和量化交易。其中,量化交易是指以先进的数学模型替代人为的主观判断,利用计算机技术从海量的历史数据中挖掘能带来超额收益的“大概率”事件以制定量化交易策略,并通过程序化交易严格执行量化交易策略,避免用户做出非理性的交易决策。
基于技术面分析的量化分析模型的量化投资策略是应用较早也是应用最为广泛的一类策略。传统的量化分析模型一般包括:MACD指标模型、均线模型以及布林带模型等。通过有效的技术面分析,往往能提供高效的量化交易策略。然而传统的量化分析模型存在一定的不足:首先,传统的量化分析模型在使用一定时间后,会有更多的模型发现同一运行规律,导致模型之间容易同质化,在引入更多的竞争后,使模型的效率下降;此外,传统量化分析模型在更新和完善的过程中需要投入较大的人力和物力。而现有的部分基于遗传算法的量化分析模型也存在一定的缺陷:一方面,现有的量化分析模型并不能适用于多种不同的证券之间,通常针对某一证券数据训练出的策略只能用于该证券的量化交易。对于不同的证券需要训练不同的模型,这样就增加了系统处理数据的负担,从而使得量化分析模型的泛化能力不足。另一方面,现有的量化分析模型选取的指标也比较单一,主要以收益率、胜率、盈亏比、夏普率等单一指标作为遗传规划的适应度函数,容易在训练过程中过拟合训练样本的行情走势。同时,也缺乏有效的策略评价的模型,对普通投资者来说过于专业化的绩效评价指标也较难理解。另外,目前的多数模型生成系统采用C/S结构,部署成本较高,较高的应用成本也限制了部分投资者的使用。并且,量化分析模型在利用遗传规划算法处理数量较大的数据时也需要很高的计算能力。当系统通过互联网服务众多投资者时,策略机器的并发处理能力仍然不足。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种量化分析模型处理方法、一种量化分析模型处理系统、一种存储介质以及一种电子终端,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种量化分析模型处理方法,包括:
对后复权处理后的证券历史行情数据进行归一化处理;
根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;
通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型;其中,所述证券历史行情数据包括价格数据和成交量数据。
在本公开的一种示例性实施例中,所述对证券历史行情数据进行归一化处理包括:
获取所述证券历史行情数据中价格数据的最高价和最低价;
以所述证券历史行情数据中的最高价和最低价为上、下限,将所述证券历史行情数据映射至[0.1,0.9]。
在本公开的一种示例性实施例中,所述将所述证券历史行情数据映射至[0.1,0.9]包括:
利用下式将一预设周期对应的K线历史行情数据映射至[0.1,0.9];
Pi'=0.9-(Pmax-Pi)/(Pmax-Pmin)*0.8
其中,Pmax为历史行情数据的最大值,Pmin为历史行情数据的最小值;
i=1,为开盘价;i=2,为最高价;i=3为最低价;i=4为收盘价。
在本公开的一种示例性实施例中,所述对后复权处理后的证券历史行情数据进行归一化处理还包括:
利用流通股本换手率将成交量数据映射变换至[0,1]。
在本公开的一种示例性实施例中,所述对技术指标进行归一化处理包括:
获取证券历史行情数据中技术指标的最大值和最小值;
利用下式将一预设周期对应的K线历史行情的技术指标进行归一化计算:
Idx'=1.0-(Idxmax-Idx)/(Idxmax-Idxmin)
其中,Idxmax为一技术指标的最大值,Idxmin为一技术指标的最小值。
在本公开的一种示例性实施例中,所述机器学习算法为遗传算法;
其中,所述对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型包括:
利用归一化处理后的所述证券历史行情数据和所述技术指标数据生成初始种群;
利用所述初始种群进行迭代,并计算各代种群中个体的适应度函数;
若连续的n代种群适应度函数增长小于预设阈值,则停止迭代并输出当前种群个体的量化技术模型。
在本公开的一种示例性实施例中,所述计算各代种群中个体的适应度函数包括:
根据所述种群中技术指标计算适应度函数。
在本公开的一种示例性实施例中,计算所述适应度函数所采用的技术指标包括:累计收益、最大回撤、胜率、盈亏比、夏普率以及交易频次;若种群数量为n,则其适应度函数为:
Fitness=
Max(a1(Ri,j-uR)/σR+a2(μF-Fi,j)/σF+a3(Wi,j-μw)/σW+a4(PLi,j-μPL)/σPL+a5(SPi,j-μSP)/σSP+a6(Ti,j-μT)/σT,0)
其中,Ri,j为累计收益,Fi,j为最大回撤,Wi,j为胜率,PLi,j为盈亏比,SPi,j为夏普率,Ti,j为交易频次;i为第i次迭代,j为种群个体数量;
μR、σR,μF、σF,μW、σW,μPL、σPL,μSP、σSP,μT、σT分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的每代种群的均值和标准差;a1、a2、a3、a4、a5、a6分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的预设权重;且
在本公开的一种示例性实施例中,所述利用所述初始种群进行迭代包括:
设置所述种群模型树的最大深度为N;
所述初始种群的模型树以4层树的深度为均值,以2层变动为标准差的正态分布随机生成初始种群的深度;
由上至下第n层模型树节点的数量以2n-1为上限随机生成;
将模型树中无上层连接节点的子节点在生成过程中删除;
其中,N、n均为正整数。
在本公开的一种示例性实施例中,所述模型树的各叶结点为证券历史行情数据或技术指标数据中的任意一项或多项;或者
所述模型树的各叶结点为证券历史行情数据或技术指标数据中的任意一项或任多项以及随机数;
所述模型树的非叶节点为数学函数或数学运算符。
在本公开的一种示例性实施例中,所述遗传算法的运算服务基于spark框架。
在本公开的一种示例性实施例中,所述机器学习算法为决策树算法或神经网络算法。
在本公开的一种示例性实施例中,所述方法还包括:
响应于用户在客户端输入的指令信息,以便于服务器执行上述的量化分析模型处理方法;
并在实时技术指标超过预设阈值时,触发生成一提示信息并将所述提示信息发送至预设对象。
根据本公开的第二方面,提供一种量化分析模型处理系统,包括:
数据预处理模块,用于对后复权处理后的证券历史行情数据进行归一化处理;
指标数据归一化模块,用于根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;
模型生成模块,用于通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型;其中,所述证券历史行情数据包括价格数据和成交量数据。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的量化分析模型处理方法。
根据本公开的第四方面,提供一种电子终端,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行以下操作:
对后复权处理后的证券历史行情数据进行归一化处理;
根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;
通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型;其中,所述证券历史行情数据包括价格数据和成交量数据。
本公开的一种实施例所提供的量化分析模型处理方法中,一方面,通过对证券历史行情数据进行后复权处理,并对后复权处理后的证券历史行情数据以及技术指标数据进行归一化处理,使得通过机器学习算法在生成技术分析模型时,不同技术指标之间的运算和比较更具备指导意义,大大增加了可用的训练数据。另一方面,统一了证券价格和技术指标量纲的巨大差异,使得训练得到的量化分析模型能够适应不同的证券的行情,具有更好的泛化能力。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开示例性实施例中一种量化分析模型处理方法示意图;
图2示意性示出本公开示例性实施例中函数二叉树的示意图;
图3示意性示出本公开示例性实施例中Spark集群服务架构示意图;
图4示意性示出本公开示例性实施例中获取量化分析模型的流程示意图;
图5示意性示出本公开示例性实施例中一种量化分析模型处理系统组成示意图;
图6示意性示出本公开示例性实施例中一种量化分析模型处理装置的一种示意图;
图7示意性示出本公开示例性实施例中一种量化分析模型处理装置的再一种示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种量化分析模型处理方法,可以应用于证券K线行情数据和证券基础行情数据的处理及分析。参考图1中所示,上述的量化分析模型处理方法可以包括以下步骤:
S101,对后复权处理后的证券历史行情数据进行归一化处理;
S102,根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;
S103,通过机器学习算法利用归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型。
本示例实施方式所提供的量化分析模型处理方法中,一方面,通过对证券历史行情数据进行后复权处理,并对后复权处理后的证券历史行情数据以及技术指标数据进行归一化处理,使得通过机器学习算法在生成技术分析模型时,不同技术指标之间的运算和比较更具备指导意义,大大增加了可用的训练数据。另一方面,统一了证券价格和技术指标量纲的巨大差异,使得训练得到的量化分析模型能够适应不同的证券的行情,具有更好的泛化能力。
下面,将结合附图及实施例对本示例实施方式中的量化分析模型处理方法的各个步骤进行更详细的说明。
步骤S1011,对证券历史行情数据进行后复权处理。
本示例实施方式中,为了使得证券历史行情数据序列连贯和相对合理,在获取证券历史行情数据后,首先对其后复权处理。具体来说,所述后复权就是将除权后的价格按以前的价格换算过来。
举例而言,证券历史行情数据可以包括:随机数,价格序列、某一周期K线行情的开盘价、最高价、最低价、收盘价、距前次N个周期低点K线数,距前次N个周期高点K线数以及某一周期K线行情的成交量序列等。其对应的数学逻辑函数集可以包括:+、–、×、÷、SIN、COS、ASIN、ACOS、POWER、SQRT、LOG、LT、LE、GT、GE、MIN、MAX、UP、DOWN等。
步骤S1012,对后复权处理后的证券历史行情数据进行归一化处理。
本示例实施方式中,对证券历史行情数据进行归一化处理可以包括:
步骤S10121,获取所述证券历史行情数据的最高价和最低价;
步骤S10122,以所述证券历史行情数据中的最高价和最低价为上、下限,将所述证券历史行情数据映射至[0.1,0.9];具体来说,可以利用下式将一预设周期对应的K线历史行情数据映射至[0.1,0.9];
Pi'=0.9-(Pmax-Pi)/(Pmax-Pmin)*0.8
其中,Pmax为历史行情数据的最大值,Pmin为历史行情数据的最小值;i=1,为开盘价;i=2,为最高价;i=3为最低价;i=4为收盘价。
步骤S10123,利用流通股本换手率将成交量数据映射变换至[0,1]。
通过对后复权的证券历史行情数据进行归一化,使证券历史行情数据被映射至[0.1,0.9]区间。在量化模型实际使用中,当最低价和最高价被突破时,根据目前A股市场的10%涨跌停制度,则可以保证极值被突破的当日行情值域在(0,1]。此外,K线行情的成交量数据使用流通股本换手率代替来进行预处理,这样使得成交量数据也在[0,1]区间内。
步骤S102,根据后复权处理以及归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理。
本示例实施方式中,对于各常用技术指标,计算在证券历史行情数据下的指标序列,可以以技术指标历史数据中的最大值和最小值为上下限,根据证券历史行情数据映射的类似方法进行计算。具体来说,对技术指标进行归一化处理可以包括:
步骤S1021,获取证券历史行情数据中技术指标的最大值和最小值;
步骤S1022,利用下式将一预设周期对应的K线历史行情的技术指标进行归一化计算:
Idx'=1.0-(Idxmax-Idx)/(Idxmax-Idxmin)
其中,Idxmax为一技术指标的最大值,Idxmin为一技术指标的最小值。
举例而言,上述的常用技术指标可以包括:移动平均价MA、平滑异同平均指数MACD(DIF、DEA)、趋向指标DMI(PDI、MDI、ADX、ADXR)、相对强弱指标RSI(1、2、3)、乖离率BIAS(1、2、3)、随机指标KDJ(K值、D值与J值)、布林带BOLL(BOLL、UB、LB)、威廉多空力度WAD(WAD、MAWAD)、威廉指标WR(WR1、WR2)、抛物线反转SAR、心理线PSY(PSY、PSYMA)、能量潮OBV(OBV、MAOBV)、正成交量PVI(PVI、MAPVI)、真实波幅ATR(ATR、MATR)、震动升降指标ASI(ASI、MAASI)、期间最低价MINP、期间最高价MAXP、期间最低成交量MINV以及期间最高成交量MAXV等。
步骤S103,通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型。
本示例实施方式中,上述的机器学习算法可以为遗传算法。遗传算法是由达尔文的进化论演变而来,借鉴生物进化过程而提出的一种启发式搜索算法,是一种智能进化计算技术。例如对于函数规划求解问题,可以设定一组代表潜在解集合的种群,每一个体通过二进制的数字串的不同码段来代表基因。计算中模拟生物基因的复制、交叉、变异等进化过程,对数字基因进行变换,迭代生成新的解集合种群。针对新的解集合种群,计算每个种群个体的适应度函数。通过适应度大小优胜劣汰,最终保留下适应度最高的个体(二进制数字串)往往就是规划求解的近优解,甚至是最优解。
遗传规划则是普通遗传算法的推广和更一般地形式,其不仅可以解决函数解集或参数优化的问题,还可以进一步搜寻目标的函数表达式。不同于普通遗传算法的二进制数字串的基因表达方式,遗传规划的基因表达采用树形数据结构。同时,证券行情数据量化分析模型的指标公式的表现形式,往往就是对行情数据进行数学运算的正则表达式,这个正则表达式可以通过二叉树数据结构进行表达。如某一技术择时判断的技术指标为MACD<0And RSI1<50Or P>BOLL,其树状表达如图2所示。遗传规划的树状表达结构恰好是证券行情系统中量化分析模型的指标公式的表达方式。
针对上述图2中的函数二叉树,遗传规划算法可以通过对初始种群和每次经过复制、交叉、变异后的新种群计算适应度函数,取适应度较优的个体和上一代精英个体组成下一代的种群。此外,还可以通过精英、复制、交叉、变异等算子,在每一代种群中进行进化演算,最后取适应度最优的个体作为目标量化分析模型。
具体来说,参考图4所示,所述对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型可以包括:
步骤S1031,利用归一化处理后的所述证券历史行情数据和所述技术指标数据生成初始种群。
步骤S1032,利用所述初始种群进行迭代,并计算种群个体的适应度。
步骤S1033,若连续的n代种群适应度增长小于预设阈值,则停止迭代并输出当前种群个体的量化技术模型。
在本示例性实施方式中,在初始种群生成以及后续种群迭代进化过程中,为了避免公式过于复杂,可以预先设置所述种群模型树的最大深度为N,例如设置树状公式(量化分析模型)的深度不超过8层。此外,还可以设置初始种群以4层树的深度为均值,以2层变动为标准差的正态分布来随机生成初始种群的深度,大于8层的深度则调整为8层,小于1层的深度则调整为1层。对于节点,可以设置由上至下第n层树节点的最大节点数为2n-1,以此为上限随机生成。对于无上层连接节点的子节点在生成过程中删除。其中,N、n均为正整数。另外,模型树的各叶结点可以为证券历史行情数据或技术指标数据中的任意一项或多项;或者,各叶节点也可以为证券历史行情数据或技术指标数据中的任意一项或多项以及随机数;所述模型树的非叶节点为数学函数或数学运算符。
在计算种群个体的适应度时,可以通过技术指标触发的买卖点之间的证券盈亏变动数据来计算各评价指标,进而获得加权的适应度函数值。对于触发买卖点的技术指标阀值设置,本发明可以采用超买/超卖指标的思路,将种群个体量化分析模型对应的技术指标的数值在训练样本区间上的历史值按大小分布分为20%低值区间和80%的高值区间。规定技术指标历史值分布的20%下分位为买操作触发的阀值,技术指标历史值分布的80%上分位为卖操作触发的阀值。
通过设置不同的技术指标历史值分布的下分位和上分位,可以对买卖触发进行分批触发以支持基于量化分析模型的策略的资金和持仓管理的需求,对于买触发设置20%、15%、10%、5%和1%等5档,对于卖触发设置80%、85%、90%、95%、99%等5档用以分批次达到阀值触发。对于多次触发买卖的盈亏计算以后进先出的财务规则进行,即卖出股票以该次卖出触发之前最近的一次的买入触发的买入成本来计算盈亏等数据。
同时,计算适应度的过程中,买卖过程要符合该证券的交易规则,如股票是T+1操作、有涨跌停等规则,期货则为T+0操作,可以先卖出开仓、有保证金等规则等。
举例来说,对于种群个体的适应度,可以根据所述种群中所有个体的技术指标的正态分布计算适应度函数。计算所述适应度函数所采用的技术指标可以包括:累计收益、最大回撤、胜率、盈亏比、夏普率以及交易频次。
若量化分析模型种群数量为n,则其适应度函数为:
Fitness=
Max(a1(Ri,j-uR)/σR+a2(μF-Fi,j)/σF+a3(Wi,j-μw)/σW+a4(PLi,j-μPL)/σPL+a5(SPi,j-μSP)/σSP+a6(Ti,j-μT)/σT,0)
其中,Ri,j为累计收益,Fi,j为最大回撤,Wi,j为胜率,PLi,j为盈亏比,SPi,j为夏普率,Ti,j为交易频次;i为第i次迭代,j为种群个体数量,
j=1…n;μR、σR,μF、σF,μW、σW,μPL、σPL,μSP、σSP,μT、σT分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的每代种群的均值和标准差;a1、a2、a3、a4、a5、a6分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的预设权重;且
进一步的,为了加快遗传规划求解的过程,在遗传迭代过程中,如果连续5代适应度值提升小于1%则停止迭代过程,输出最优种群个体的量化分析模型作为目标量化分析模型。
当然,在本公开的其他示例性实施方式中,上述的机器学习算法也可以采用具有树形结构的决策树算法或神经网络算法。本公开对机器学习算法的类型不做特殊限定。
此外,本示例实施方式中,遗传算法的运算服务基于spark框架。举例而言,参考图3所示,当用户在前端创建了一个遗传规划的任务,后台将会存储该任务的相关参数,并将计算任务提交到Spark计算集群。
首先,Spark集群的主节点生成策略集并将每代的遗传规划种群策略集拆成N个(N为超参)RDD任务集。然后,Spark集群的主节点从数据服务获取股票的历史数据,并将该数据赋值到回测主函数内部,随同Spark集群的RDD任务集map分发到执行器运行。此种分发方式,确保股票的历史数据对于单个计算任务只需要和磁盘进行一次交互,最大化减小了磁盘IO,提高整体性能。每个任务集会被任务调度器分配给一个任务执行器,并将执行结果以集合的方式收集返回。返回的计算结果,经过处理之后存储进数据库固化下来以供后续使用。
RDD任务集的划分应该尽量均衡,为了各执行节点的任务计算负载平衡,每一迭代的种群按照执行工作节点数进行等分,任务集的数量应为可用任务执行器数量的整数倍。当满足上述条件时,可以估计出每个任务执行器完成一个任务集所需要的时间大致相等,进而使得所有执行器完成全部任务集的时间大致相等,能最大化的利用Spark计算集群的并发性能,节约任务计算时间。
基于上述内容,在本示例性实施方式中,上述的累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的预设权重可以响应于接收到用户设置的技术指标的权重分配,根据该技术指标的权重分配计算对应的适应度函数。
在训练过程中通过调整不同的评价指标的权重,可以优化出不同风险和收益特征的量化分析模型。为了能评价不同类型的量化分析模型的风险收益特征,并以容易理解的方式向普通投资者展示,本方法提出了以量化分析模型相对沪深300指数贝塔值(beta)来做风险分类,并根据总收益、最大回撤、胜率、盈亏比和夏普率、alpha、beta、交易次数等进行加权,按评判量化分析模型的综合指标的高低分位进行量化分析模型优劣的分级。
具体来说,可以根据量化分析模型收益率相对于沪深300指数的Beta值来考虑策略的风险,可以认为沪深300指数的风险收益程度在股票类权益收益策略是中等的。策略相对于沪深300指数的Beta值越大则策略的风险越大。结合沪深股市单只股票的Beta值范围,本方法考虑的技术策略风险程度的评判标准如表1所示。
风险级别 | 低风险策略 | 中风险策略 | 高风险策略 |
Beta系数 | beta<0.7 | 0.7<beta<1.3 | Beta>1.3 |
表1
量化分析模型按上述风险标准分类后,再结合夏普率指标和最大回撤进行判断,年化夏普率小于0或最大回撤超过33.3%的量化分析模型需要从可选策略中剔除。
由于不同证券代码其波动和风险收益特征也不同,需要评价针对各证券的量化分析模型的表现。本方法计算证券历史行情上各量化分析模型的总收益、最大回撤、胜率、盈亏比和夏普率、alpha、beta、交易次数,在表2权重的基础上,计算综合得分。
表2
对于技术指标的综合评价得分,可以按照技术指标正态化转换,并按照技术指标与均值的标准差比例进行线性加权计算。计算得到综合排名后,给出量化分析模型评级。综合排名前20%的量化分析模型可以设置为5星级,排名最后20%的量化分析模型可以设置为一星级,其他阶段以此类推。
另外,在本公开的其他示例性实施方式中,上述的方法还可以包括:
响应于用户在客户端输入的指令信息,以便于服务器执行上述量化分析模型处理方法;
并在实时技术指标超过预设阈值时,触发生成一提示信息并将所述提示信息发送至预设对象。
通过采用Spark集群服务的技术架构,可以使该方法在web端或移动终端执行,能够以web服务的方式提供量化分析模型的生成、回测、评价、监控的模式,使得量化分析模型的监控和执行的访问可以随时随地进行。突破了现有技术只能以C/S架构部署于机构客户,仅能供少数人应用的模式。能够方便更多用户的使用。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
进一步的,参考图5所示,本示例的实施方式中还提供一种量化分析模型处理系统50,包括:数据预处理模块501、指标数据归一化模块502以及模型生成模块503。其中:
所述数据预处理模块501可以用于对后复权处理后的证券历史行情数据进行归一化处理。
所述指标数据归一化模块502可以用于根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理。
所述模型生成模块503可以用于通过机器学习算法利用归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型;其中,所述证券历史行情数据包括价格数据和成交量数据。
进一步的,在本示例性实施例中,上述的数据预处理模块501可以包括:第一数据获取模块和第一数据处理模块。其中,
所述第一数据获取模块可以用于获取所述证券历史行情数据中价格数据的最高价和最低价。
所述第一数据处理模块可以用于以所述证券历史行情数据中的最高价和最低价为上、下限,将所述证券历史行情数据映射至[0.1,0.9]。
进一步的,在本示例性实施例中,所述第一数据处理模块包括:利用下式将一预设周期对应的K线历史行情数据映射至[0.1,0.9];
Pi'=0.9-(Pmax-Pi)/(Pmax-Pmin)*0.8
其中,Pmax为历史行情数据的最大值,Pmin为历史行情数据的最小值;i=1,为开盘价;i=2,为最高价;i=3为最低价;i=4为收盘价。
进一步的,在本示例性实施例中,上述的数据预处理模块501还可以包括:第一数据处理模块。
所述第二数据处理模块可以用于利用流通股本换手率将成交量数据映射变换至[0,1]。
进一步的,在本示例性实施例中,上述的指标数据归一化模块502可以包括:第三数据获取模块和第三数据处理模块。其中,
所述第三数据获取模块可以用于获取证券历史行情数据中技术指标的最大值和最小值。
所述第三数据处理模块可以用于利用下式将一预设周期对应的K线历史行情的技术指标进行归一化计算:
Idx'=1.0-(Idxmax-Idx)/(Idxmax-Idxmin)
其中,Idxmax为一技术指标的最大值,Idxmin为一技术指标的最小值。
进一步的,在本示例性实施例中,所述机器学习算法为遗传算法;其中,上述的模型生成模块503可以包括:初始种群生成模块、适应度函数计算模块和模型选择模块。
所述初始种群生成模块可以用于利用归一化处理后的所述证券历史行情数据和所述技术指标数据生成初始种群。
所述适应度函数计算模块可以用于利用所述初始种群进行迭代,并计算各代种群中个体的适应度函数。
所述模型选择模块可以用于若连续的n代种群适应度函数增长小于预设阈值,则停止迭代并输出当前种群个体的量化技术模型。
进一步的,在本示例性实施例中,所述适应度函数计算模块包括:根据所述种群中的技术指标计算适应度函数。
进一步的,在本示例性实施例中,计算所述适应度函数所采用的技术指标包括:累计收益、最大回撤、胜率、盈亏比、夏普率以及交易频次;若种群数量为n,则其适应度函数为:
Fitness=Max(a1(Ri,j-uR)/σR+a2(μF-Fi,j)/σF+a3(Wi,j-μw)/σW+a4(PLi,j-μPL)/σPL+a5(SPi,j-μSP)/σSP+a6(Ti,j-μT)/σT,0)
其中,Ri,j为累计收益,Fi,j为最大回撤,Wi,j为胜率,PLi,j为盈亏比,SPi,j为夏普率,Ti,j为交易频次;i为第i次迭代,j为种群个体数量;μR、σR,μF、σF,μW、σW,μPL、σPL,μSP、σSP,μT、σT分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的每代种群的均值和标准差;a1、a2、a3、a4、a5、a6分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的预设权重;且
进一步的,在本示例性实施例中,所述适应度函数计算模块中,利用所述初始种群进行迭代可以包括:
设置所述种群模型树的最大深度为N;
所述初始种群的模型树以4层树的深度为均值,以2层变动为标准差的正态分布随机生成初始种群的深度;
由上至下第n层模型树节点的数量以2n-1为上限随机生成;
将模型树中无上层连接节点的子节点在生成过程中删除;
其中,N、n均为正整数。
进一步的,在本示例性实施例中,所述模型树的各叶结点为证券历史行情数据或技术指标数据中的任意一项或多项;或者
所述模型树的各叶结点为证券历史行情数据或技术指标数据中的任意一项或多项以及随机数;
所述模型树的非叶节点为数学函数或数学运算符。
进一步的,在本示例性实施例中,所述遗传算法的运算服务基于spark框架。
进一步的,在本示例性实施例中,所述机器学习算法为决策树算法或神经网络算法。
进一步的,在本示例性实施例中,所述量化分析模型处理系统50还包括:指令接收模块和提示信息处理模块。其中,
所述指令接收模块可用于响应于用户在客户端输入的指令信息,以便于服务器执行上述的量化分析模型处理方法。
所述提示信息处理模块可以用于在实时技术指标超过预设阈值时,触发生成一提示信息并将所述提示信息发送至预设对象。
上述的量化分析模型处理系统中各模块的具体细节已经在对应的量化分析模型处理方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图3显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S101:对后复权处理后的证券历史行情数据进行归一化处理;S102,根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;S103,通过机器学习算法利用归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (16)
1.一种量化分析模型处理方法,其特征在于,包括:
对后复权处理后的证券历史行情数据进行归一化处理;
根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;
通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型;其中,所述证券历史行情数据包括价格数据和成交量数据。
2.根据权要求1所述的量化分析模型处理方法,其特征在于,所述对证券历史行情数据进行归一化处理包括:
获取所述证券历史行情数据中价格数据的最高价和最低价;
以所述证券历史行情数据中的最高价和最低价为上、下限,将所述证券历史行情数据映射至[0.1,0.9]。
3.根据权要求2所述的量化分析模型处理方法,其特征在于,所述将所述证券历史行情数据映射至[0.1,0.9]包括:
利用下式将一预设周期对应的K线历史行情数据映射至[0.1,0.9];
Pi'=0.9-(Pmax-Pi)/(Pmax-Pmin)*0.8
其中,Pmax为历史行情数据的最大值,Pmin为历史行情数据的最小值;i=1,为开盘价;i=2,为最高价;i=3为最低价;i=4为收盘价。
4.根据权要求2所述的量化分析模型处理方法,其特征在于,所述对后复权处理后的证券历史行情数据进行归一化处理还包括:
利用流通股本换手率将成交量数据映射变换至[0,1]。
5.根据权要求1所述的量化分析模型处理方法,其特征在于,所述对技术指标进行归一化处理包括:
获取证券历史行情数据中技术指标的最大值和最小值;
利用下式将一预设周期对应的K线历史行情的技术指标进行归一化计算:
Idx'=1.0-(Idxmax-Idx)/(Idxmax-Idxmin)
其中,Idxmax为一技术指标的最大值,Idxmin为一技术指标的最小值。
6.根据权要求1所述的量化分析模型处理方法,其特征在于,所述机器学习算法为遗传算法;其中,所述对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型包括:
利用归一化处理后的所述证券历史行情数据和所述技术指标数据生成初始种群;
利用所述初始种群进行迭代,并计算各代种群中个体的适应度函数;
若连续的n代种群适应度函数增长小于预设阈值,则停止迭代并输出当前种群个体的量化技术模型。
7.根据权要求6所述的量化分析模型处理方法,其特征在于,所述计算各代种群中个体的适应度函数包括:
根据所述种群中的技术指标计算适应度函数。
8.根据权要求7所述的量化分析模型处理方法,其特征在于,计算所述适应度函数所采用的技术指标包括:累计收益、最大回撤、胜率、盈亏比、夏普率以及交易频次;若种群数量为n,则其适应度函数为:
Fitness=
Max(a1(Ri,j-uR)/σR+a2(μF-Fi,j)/σF+a3(Wi,j-μw)/σW+a4(PLi,j-μPL)/σPL+a5(SPi,j-μSP)/σSP+a6(Ti,j-μT)/σT,0)
其中,Ri,j为累计收益,Fi,j为最大回撤,Wi,j为胜率,PLi,j为盈亏比,SPi,j为夏普率,Ti,j为交易频次;i为第i次迭代,j为种群个体数量;μR、σR,μF、σF,μW、σW,μPL、σPL,μSP、σSP,μT、σT分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的每代种群的均值和标准差;a1、a2、a3、a4、a5、a6分别为累计收益、最大回撤为、胜率、盈亏比、夏普率、交易频次的预设权重;且
9.根据权要求6所述的量化分析模型处理方法,其特征在于,所述利用所述初始种群进行迭代包括:
设置所述种群模型树的最大深度为N;
所述初始种群的模型树以4层树的深度为均值,以2层变动为标准差的正态分布随机生成初始种群的深度;
由上至下第n层模型树节点的数量以2n-1为上限随机生成;
将模型树中无上层连接节点的子节点在生成过程中删除;
其中,N、n均为正整数。
10.根据权要求9所述的量化分析模型处理方法,其特征在于,所述模型树的各叶结点为证券历史行情数据或技术指标数据中的任意一项或多项;或者
所述模型树的各叶结点为证券历史行情数据或技术指标数据中的任意一项或多项以及随机数;
所述模型树的非叶节点为数学函数或数学运算符。
11.根据权要求6所述的量化分析模型处理方法,其特征在于,所述遗传算法的运算服务基于spark框架。
12.根据权要求6所述的量化分析模型处理方法,其特征在于,所述机器学习算法为决策树算法或神经网络算法。
13.根据权要求6所述的量化分析模型处理方法,其特征在于,所述方法还包括:
响应于用户在客户端输入的指令信息,以便于服务器执行如权利要求1至12任一项所述的量化分析模型处理方法;
并在实时技术指标超过预设阈值时,触发生成一提示信息并将所述提示信息发送至预设对象。
14.一种量化分析模型处理系统,其特征在于,包括:
数据预处理模块,用于对后复权处理后的证券历史行情数据进行归一化处理;
指标数据归一化模块,用于根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;
模型生成模块,用于通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型;其中,所述证券历史行情数据包括价格数据和成交量数据。
15.一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至13中任一项所述的量化分析模型处理方法。
16.一种电子终端,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行以下操作:
对后复权处理后的证券历史行情数据进行归一化处理;
根据归一化处理后的证券历史行情数据计算技术指标数据,并对所述技术指标数据进行归一化处理;
通过机器学习算法对归一化处理后的所述证券历史行情数据和所述技术指标数据进行训练并获取量化分析模型;其中,所述证券历史行情数据包括价格数据和成交量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810599418.7A CN108876627B (zh) | 2018-06-12 | 2018-06-12 | 量化分析模型处理方法及系统、存储介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810599418.7A CN108876627B (zh) | 2018-06-12 | 2018-06-12 | 量化分析模型处理方法及系统、存储介质及电子终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876627A true CN108876627A (zh) | 2018-11-23 |
CN108876627B CN108876627B (zh) | 2020-12-04 |
Family
ID=64338829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810599418.7A Active CN108876627B (zh) | 2018-06-12 | 2018-06-12 | 量化分析模型处理方法及系统、存储介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876627B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495266A (zh) * | 2018-12-25 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 基于随机数的数据加密方法及装置 |
CN109711995A (zh) * | 2019-01-03 | 2019-05-03 | 周鸣籁 | 一种自动产生时间序列上的交易策略的方法 |
CN111598697A (zh) * | 2020-05-20 | 2020-08-28 | 恒生电子股份有限公司 | 一种期权信息处理方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000353196A (ja) * | 1999-06-11 | 2000-12-19 | Nomura Securities Co Ltd | 有価証券トレード支援システム |
CN106056244A (zh) * | 2016-05-30 | 2016-10-26 | 重庆大学 | 一种股票价格优化预测方法 |
CN106845681A (zh) * | 2016-12-21 | 2017-06-13 | 广东工业大学 | 一种应用深度学习技术的股票趋势预测方法 |
-
2018
- 2018-06-12 CN CN201810599418.7A patent/CN108876627B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000353196A (ja) * | 1999-06-11 | 2000-12-19 | Nomura Securities Co Ltd | 有価証券トレード支援システム |
CN106056244A (zh) * | 2016-05-30 | 2016-10-26 | 重庆大学 | 一种股票价格优化预测方法 |
CN106845681A (zh) * | 2016-12-21 | 2017-06-13 | 广东工业大学 | 一种应用深度学习技术的股票趋势预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495266A (zh) * | 2018-12-25 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 基于随机数的数据加密方法及装置 |
CN109495266B (zh) * | 2018-12-25 | 2022-07-22 | 北京字节跳动网络技术有限公司 | 基于随机数的数据加密方法及装置 |
CN109711995A (zh) * | 2019-01-03 | 2019-05-03 | 周鸣籁 | 一种自动产生时间序列上的交易策略的方法 |
CN111598697A (zh) * | 2020-05-20 | 2020-08-28 | 恒生电子股份有限公司 | 一种期权信息处理方法及相关设备 |
CN111598697B (zh) * | 2020-05-20 | 2023-08-18 | 恒生电子股份有限公司 | 一种期权信息处理方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108876627B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Milana et al. | Artificial intelligence techniques in finance and financial markets: a survey of the literature | |
Tsai et al. | Combining multiple feature selection methods for stock prediction: Union, intersection, and multi-intersection approaches | |
Hsu | A hybrid procedure with feature selection for resolving stock/futures price forecasting problems | |
Nadkarni et al. | Combining NeuroEvolution and Principal Component Analysis to trade in the financial markets | |
TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
Ghandar et al. | Computational intelligence for evolving trading rules | |
CN108876627A (zh) | 量化分析模型处理方法及系统、存储介质及电子终端 | |
Khashanah et al. | Network theory and behavioral finance in a heterogeneous market environment | |
CN107004223A (zh) | 交易平台系统及方法 | |
Emir et al. | A stock selection model based on fundamental and technical analysis variables by using artificial neural networks and support vector machines | |
Hamid et al. | Financial forecasting with neural networks | |
Chourmouziadis et al. | Embedding four medium-term technical indicators to an intelligent stock trading fuzzy system for predicting: a portfolio management approach | |
Rutkauskas et al. | Stochastic informative expert system for investment | |
Li et al. | Online portfolio management via deep reinforcement learning with high-frequency data | |
Dhafer et al. | Empirical analysis for stock price prediction using NARX model with exogenous technical indicators | |
Goudarzi et al. | A hybrid model for portfolio optimization based on stock clustering and different investment strategies | |
Agudelo Aguirre et al. | Artificial intelligence applied to investment in variable income through the MACD (moving average convergence/divergence) indicator | |
Erdogan et al. | Predicting patent quality based on machine learning approach | |
Sapuan et al. | Predicting the performance and survival of islamic banks in malaysia to achieve growth sustainability | |
Hasanah et al. | Financial Robo-advisor: learning from academic literature | |
Dunis et al. | Nonlinear forecasting of the gold miner spread: An application of correlation filters | |
Kaucic | Portfolio management using artificial trading systems based on technical analysis | |
Kobets et al. | Building an Optimal Investment Portfolio with Python Machine Learning Tools. | |
Wang et al. | Application of Traditional Machine Learning Models for Quantitative Trading of Bitcoin | |
Libman et al. | Forecasting quoted depth with the limit order book |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |