CN109472700A - 股票价格的预测方法、服务器及存储介质 - Google Patents
股票价格的预测方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN109472700A CN109472700A CN201811389858.6A CN201811389858A CN109472700A CN 109472700 A CN109472700 A CN 109472700A CN 201811389858 A CN201811389858 A CN 201811389858A CN 109472700 A CN109472700 A CN 109472700A
- Authority
- CN
- China
- Prior art keywords
- stock
- price
- data
- historical
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012163 sequencing technique Methods 0.000 claims abstract description 20
- 230000002596 correlated effect Effects 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000007787 long-term memory Effects 0.000 claims description 8
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种股票价格的预测方法,包括以下步骤:获取目标股票的历史股票数据,并对所述历史股票数据进行预处理;根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重,所述时间权重与所述时间顺序成正相关;基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果。本发明还公开了一种服务器以及计算机可读存储介质。本发明通过对与价格预测结果的时间点越近的历史股票数据赋予越大的权重,并根据历史股票数据基于深度神经网络模型生成价格预测结果,提高了预测得到的股票价格的准确率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种股票价格的预测方法、服务器以及计算机可读存储介质。
背景技术
目前,在对股票价格的预测中,往往仅使用K线图模型去预测股票的价格,或者只根据股票日内分笔交易数据对股票价格日内变化趋势进行量化,而未考虑历史股票数据的时间远近,对股票价格预测结果所产生的影响,这些都导致了预测得到的股票价格的准确率低下。
发明内容
本发明的主要目的在于提供一种股票价格的预测方法、服务器以及计算机可读存储介质,提高了对股票价格预测的准确率。
为实现上述目的,本发明提供一种股票价格的预测方法,所述股票价格的预测方法包括以下步骤:
获取目标股票的历史股票数据,并对所述历史股票数据进行预处理;
根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重,所述时间权重与所述时间顺序成正相关;
基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果。
优选地,所述历史股票数据包括开盘价、收盘价、最低价、最高价、预设时间间隔内的股票价格、交易量和换手率,所述对所述历史股票数据进行预处理的步骤包括:
对所述历史股票数据进行数据筛选,并根据数据筛选后的历史股票数据确定股票价格走势特征;
将所述股票价格走势特征添加到所述数据筛选后的历史股票数据中,以得到所述预处理后的历史股票数据。
优选地,所述根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重的步骤包括:
根据预设时间间隔将所述历史股票数据划分成多组子数据;
根据多组所述子数据的时间顺序,通过预设的时间权重函数对多组所述子数据赋予时间权重。
优选地,所述深度神经网络模型包括生成式对抗网络,所述生成式对抗网络包括长短期记忆网络和卷积神经网络,其中,所述长短期记忆网络为所述生成式对抗网络中的生成网络,所述卷积神经网络为所述生成式对抗网络中的监督网络。
所述深度神经网络模型还包括强化学习算法模型,所述基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果的步骤之后还包括:
将所述目标股票的价格预测结果输入强化学习算法模型进行处理,得到所述目标股票的买卖预测信号。
优选地,所述将所述目标股票的价格预测结果输入强化学习算法模型进行处理,得到所述目标股票的买卖预测信号的步骤包括:
根据所述目标股票的价格预测结果和所述目标股票的历史价格获取股价差值;
根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号。
优选地,所述根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号的步骤之后还包括:
根据所述目标股票的买卖预测信号计算夏普率;
将所述夏普率与历史夏普率进行数值比对;
在所述夏普率大于所述历史夏普率时,更新所述强化学习算法模型中的参数,并用所述夏普率更新所述历史夏普率。
优选地,所示股票价格预测的方法还包括:
将所述目标股票的历史股票数据作为样本数据;
将所述样本数据输入所述深度神经网络模型进行训练,以优化所述深度神经网络模型的参数
为实现上述目的,本发明还提供一种服务器,所述服务器包括:
所述服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的股票价格的预测程序,所述股票价格的预测程序被所述处理器执行时实现如上述股票价格的预测方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有股票价格的预测程序,所述股票价格的预测程序被处理器执行时实现如上述股票价格的预测方法的步骤。
本发明提供的股票价格的预测方法、服务器以及计算机可读存储介质,获取目标股票的历史股票数据,并对所述历史股票数据进行预处理;根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重,所述时间权重与所述时间顺序成正相关;基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果。这样,通过对与价格预测结果的时间点越近的历史股票数据赋予越大的权重,并根据历史股票数据基于深度神经网络模型生成价格预测结果,提高了预测得到的股票价格的准确率。
附图说明
图1为本发明实施例方案涉及的实施例终端的硬件运行环境示意图;
图2为本发明股票价格的预测方法第一实施例的流程示意图;
图3为本发明股票价格的预测方法第一实施例中的股票趋势图;
图4为本发明股票价格的预测方法第二实施例的流程示意图;
图5为本发明股票价格的预测方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种股票价格的预测方法,通过对与价格预测结果的时间点越近的历史股票数据赋予越大的权重,并根据历史股票数据基于深度神经网络模型生成价格预测结果,提高了预测得到的股票价格的准确率。
如图1所示,图1是本发明实施例方案涉及的实施例终端的硬件运行环境示意图;
本发明实施例终端可以是服务器,也可以是一种股票价格的预测装置。
如图1所示,该终端可以包括:处理器1001,例如CPU,存储器1002,通信总线1003。其中,通信总线1003用于实现该终端中各组成部件之间的连接通信。存储器1002可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端的结构并不构成对本发明实施例终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1002中可以包括股票价格的预测程序。
在图1所示的终端中,处理器1001可以用于调用存储器1002中存储的股票价格的预测程序,并执行以下操作:
获取目标股票的历史股票数据,并对所述历史股票数据进行预处理;
根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重,所述时间权重与所述时间顺序成正相关;
基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果。
进一步地,处理器1001可以调用存储器1002中存储的股票价格的预测程序,还执行以下操作:
对所述历史股票数据进行数据筛选,并根据数据筛选后的历史股票数据确定股票价格走势特征;
将所述股票价格走势特征添加到所述数据筛选后的历史股票数据中,以得到所述预处理后的历史股票数据。
进一步地,处理器1001可以调用存储器1002中存储的股票价格的预测程序,还执行以下操作:
根据预设时间间隔将所述历史股票数据划分成多组子数据;
根据多组所述子数据的时间顺序,通过预设的时间权重函数对多组所述子数据赋予时间权重。
进一步地,处理器1001可以调用存储器1002中存储的股票价格的预测程序,还执行以下操作:
所述深度神经网络模型包括生成式对抗网络,所述生成式对抗网络包括长短期记忆网络和卷积神经网络,其中,所述长短期记忆网络为所述生成式对抗网络中的生成网络,所述卷积神经网络为所述生成式对抗网络中的监督网络。
进一步地,处理器1001可以调用存储器1002中存储的股票价格的预测程序,还执行以下操作:
将所述目标股票的价格预测结果输入强化学习算法模型进行处理,得到所述目标股票的买卖预测信号。
进一步地,处理器1001可以调用存储器1002中存储的股票价格的预测程序,还执行以下操作:
根据所述目标股票的价格预测结果和所述目标股票的历史价格获取股价差值;
根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号。
进一步地,处理器1001可以调用存储器1002中存储的股票价格的预测程序,还执行以下操作:
根据所述目标股票的买卖预测信号计算夏普率;
将所述夏普率与历史夏普率进行数值比对;
在所述夏普率大于所述历史夏普率时,更新所述强化学习算法模型中的参数,并用所述夏普率更新所述历史夏普率。
进一步地,处理器1001可以调用存储器1002中存储的股票价格的预测程序,还执行以下操作:
将所述目标股票的历史股票数据作为样本数据;
将所述样本数据输入所述深度神经网络模型进行训练,以优化所述深度神经网络模型的参数。
参照图2,在一实施例中,所述股票价格的预测方法包括:
步骤S10、获取目标股票的历史股票数据,并对所述历史股票数据进行预处理。
本实施例中,使用深度学习的深度神经网络模型进行目标股票的价格的预测,即基于时间权重LSTM长短期记忆网络(Long/short term memory)结合CNN卷积神经网络(Convolutional neural networks)组成的GAN生成式对抗网络(Generative adversarialnetworks)(Time Weighted LSTM-CNN-GAN)进行目标股票价格的预测,其中,目标股票即为待预测的股票。在进行股票价格预测时,使用具有时间权重的LSTM,对与当前时间相比,时间较近的数据样本(即所述历史股票数据)给与更大的权重,让不同时间段的数据对预测结果施加不同程度的影响,以及通过GAN用更复杂的模型去处理预测问题,使预测的股价涨跌准确度要优于使用简单模型得到的准确度。
具体地,所述历史股票数据包括目标股票的开盘价、收盘价、最低价、最高价、预设时间间隔内的股票价格、交易量和换手率。所述历史股票数据可以是以分钟、小时、日等为时间单位,获取目标股票每分钟、每小时或每日的历史股票数据,即所述历史股票数据中,可以是由包括多个时间点的股票数据。应当理解的是,在历史股票数据中,所述开盘价、收盘价、最低价、最高价和预设时间间隔内的某一时间点的股票价格均可以相等。
在获取到目标股票的历史股票数据,对所述历史股票数据进行预处理的步骤包括对所述历史股票数据进行数据筛选,并根据数据筛选后的历史股票数据确定股票价格走势特征;将所述股票价格走势特征添加到所述数据筛选后的历史股票数据中,以得到所述预处理后的历史股票数据。
具体地,对历史股票数据预处理包括对所述历史股票数据进行数据筛选,将历史股票数据中数值为0值数据的处理,比如将交易量为0的记录从数据表格中删去。然后,使用筛选后的数据生成新的特征加入到个历史股票数据的数据表格中,新的特征包括:股票价格走势的趋势特征,股票价格变动率,股票价格指数平均数指标,同模块下的其他股票的股票价格变动率。
具体地,根据数据筛选后的历史股票数据确定股票价格走势特征时,在具有N个时间点的历史股票数据中,在生成第N个时间点的股票走势特征时,需要提取出该第N个时间点的前M个时间点,并在取出前M个时间点之后使用算法去判断走势属于上升,下降还是无趋势。需要说明的是,所述历史股票数据的样本容量N可选为30个,所述数值M为预设数值,可选为15、25、30等。
可以按照以下步骤从筛选后的历史股票数据中获取股票价格走势特征:
步骤一:将上升特征Q1、下降特征Q2、特征Q3的值全部初始化为0;
步骤二:获取前M个时间点的数据中的n个局部最高点P1-Pn以及有n+1个局部最低点T0-Tn,其中,局部最高点和局部最低点如图3所示;
步骤三:从从1到n遍历计算上升值up、回撤值down,以及根据上升值和回撤值更新上升特征值QQ1、下降特征Q2和特征Q3,具体为:上升值up为Pi-Ti-1,回撤值down为Pi-Ti,在上升值up和回撤值down的比值大于1+0.5时,累计上升特征F1的值加1,以及累计特征Q3的值加1;在上升值up和回撤值down的比值小于0.67时,则累计下降特征Q2的值加1,以及累计特征Q3的值加1;
步骤四:步骤三的遍历计算完成后,若上升特征Q1和特征Q3相等,则历史股票数据的价格走势特征为上升趋势;若下降特征Q2和特征Q3相等则价格走势特征为下降趋势;否则,价格走势特征为无趋势。如图3中的三个子图所示,股票数据的价格走势分别为上升、下降和无趋势。
将得到的各历史股票数据的价格走势特征添加到该历史股票数据的数据表中,以得到进行数据筛选和特征添加后的历史股票数据。
步骤S20、根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重,所述时间权重与所述时间顺序成正相关。
首先,根据预设时间间隔将所述历史股票数据划分成多组子数据,然后根据多组所述子数据的时间顺序,通过预设的时间权重函数对多组所述子数据赋予时间权重。需要说明的是,所述预设时间间隔可选为一分钟、一小时、一天等,优选地,所述预设时间间隔与所述历史股票数据中各数据的时间间隔相等。预设时间间隔既是划分子数据的单位,也是预测数据的单位,例如当预设时间间隔为一分钟时,每组子数据为一分钟内的数据,预测的也是一分钟内的股票价格。
需要说明的是,对于一次预测过程而言,本次预测所输入深度神经网络模型的历史股票数据中所包含的的数据数量大小,决定了用多少个数据去预测一个预测值,例如历史股票数据内有30条数据,每一条数据为一分钟的数据,就是用前30分钟的股票数据去预测下一分钟的股票价格。
需要说明的是,在一次预测所输入的历史股票数据中,以历史股票数据中时间点为最新的子数据作为当前子数据,若总共有J组子数据,以当前子数据为最高排序,排序为J,对当前子数据的前J-1个子数据,根据与当前子数据的时间点的远近,依次排序,直到排序为1的子数据为当前子数据的前第J-1的子数据。
在对历史股票数据进行排序后,利用时间权重函数赋予时间权重,离预测点越近的时间点的时间权重越大。时间权重函数为递增函数,可以是y=x,y=x^2,y=x*log(x)等递增函数,优选地,选用y=x*log(x)作为权重函数。
例如时间权重函数为:
其中,K为时间权重,J为本次输入的历史股票数据的子数据数目,j为个子数据的时间排列顺序,j的最小排列为1,最大排列为J。应当理解的是,时间排列顺序越大的子数据(即与历史股票数据中时间点为最新的子数据的时间点越接近的子数据)的时间权重越大,即在一次输入的历史股票数据的子数据中,各子数据的时间权重与所述时间顺序成正相关。
这样,通过根据各历史股票数据的时间点与最新的当前时间点的远近,赋予不同的权重,实现将股票数据在不同时间点的数据对预测股票数据的影响考虑进对股票价格的价格预测结果的预测过程中,能提高对价格预测结果预测的准确率。
进一步地,当要实现连续预测股票价格的功能时,需要不断更新输入深度神经网络模型的历史股票数据,同时需要实时更新计算对应的时间权重。例如,第一次先输入1~30分钟的历史数据,预测第31分钟的股价,那么预测完毕后,就会有真实的第31分钟的股价了,接下来是将真实的第31分钟的股价作为历史股票数据输入到深度神经网络模型中,此时需要用第2~31分钟的股票数据预测第32分钟的股价,同时需要根据上述步骤重新计算第2~31分钟中每一分钟的股票历史数据的时间权重。
步骤S30、基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果。
所述深度神经网络模型包括GAN生成式对抗网络,所述生成式对抗网络包括LSTM长短期记忆网络和CNN卷积神经网络,其中,所述长短期记忆网络为所述生成式对抗网络中的生成网络,所述卷积神经网络为所述生成式对抗网络中的监督网络。
在构建所述深度神经网络模型时,将目标股票的历史股票数据作为样本数据输入深度神经网络模型进行训练,以优化深度神经网络模型的参数。样本数据按照上述步骤S10进行数据预处理,以及按照上述步骤S20对预处理后的数据赋予时间权重,将加入时间权重之后的样本数据加入到深度神经网络模型中开始训练,迭代次数达到预设数目时生成一个构建完成的深度神经网络模型。
具体地,在训练深度神经网络模型时,将加入时间权重之后的样本数据先通过一个LSTM网络,得到对股票价格预测值,LSTM网络根据该预测值和对应的真实股票价格用误差损失函数计算误差损失,同时LSTM将该预测值对应的隐向量、对应的真实股票价格输入给CNN网络,CNN网络同样做出股票价格预测,并依据预测值和真实股票价格用误差损失函数进行误差计算。LSTM网络与CNN网络所做的预测有一定的概率是相反的,由此产生对抗,深度神经网络模型的优化器基于此对抗对LSTM网络和CNN网络的参数进行优化。由于利用误差损失函数将生成式对抗网络中的LSTM网络和CNN网络联系在一起达到了对抗目的,因此用生成式对抗网络模型进行股票价格的预测,比起传统的神经网络模型可以达到更好的预测效果。
深度神经网络模型在用样本数据迭代到一定的次数之后,训练完成,即可用于实际的股票价格预测,此时将待待预测的目标股票的历史股票数据输入深度神经网络模型进行处理,得到目标股票的价格预测结果。
在一实施例中,获取目标股票的历史股票数据,并对所述历史股票数据进行预处理;根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重,所述时间权重与所述时间顺序成正相关;基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果。这样,通过对与价格预测结果的时间点越近的历史股票数据赋予越大的权重,并根据历史股票数据基于深度神经网络模型生成价格预测结果,提高了预测得到的股票价格的准确率。
在第二实施例中,如图4所示,在上述图2所示的实施例基础上,所述深度神经网络模型还包括强化学习算法模型,所述基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果的步骤之后还包括:
步骤S40、将所述目标股票的价格预测结果输入强化学习算法模型进行处理,得到所述目标股票的买卖预测信号。
步骤S41、根据所述目标股票的价格预测结果和所述目标股票的历史价格获取股价差值。
步骤S42、根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号。
本实施例中,所述深度神经网络模型还包括强化学习算法模型,所述强化学习算法模型可以基于深度神经网络模型预测得到目标股票的价格预测结果,计算买卖该目标股票时的买卖预测信号。
在得到深度神经网络模型输出的目标股票价格预测结果之后,将与该股票价格预测结果输入强化学习算法模型进行处理,得到目标股票的预测时刻对应的买卖指数F,F为一个-1到1之间的实数,正代表买,负代表卖。
具体地,根据目标股票的价格预测结果和目标股票的历史价格生成差值矩阵X,并将上一次生成的历史买卖预测信号Ft-1添加到所述差值矩阵X中,以得到用于计算当前买卖预测信号Ft的差值矩阵X。
所述当前买卖预测信号Ft的计算公式为:
Ft=tanh(WTXt)
其中,Ft为当前迭代的买卖预测信号,Xt为与当前买卖预测信号对应的差值矩阵,W为强化学习算法模型中需要训练的参数矩阵,具体为上一次生成的参数矩阵,而WT为阵列翻转转置后的参数矩阵。
进一步地,在计算出当前迭代的买卖预测信号,可以设定买卖量G,则对目标股票的交易即为F*G(F为正数时为买,负数时为卖),G为预先设定的每次购买最大股票数,这样,即可以实现买卖股票的收益最大化。
可以理解地,在计算出买卖预测信号后,也可以根据预设利润公式计算根据价格预测结果买卖目标股票时的利润。所述预设利润公式为:
Rt=μ×(Ft-1×rt-δ|Ft-Ft-1|)
其中,Rt为利润值,μ为每次最多可以买多少股(即最大可交易量),rt为预测价格与当前目标股票价格的差值,而δ代表当变化交易策略时带来的损失,如买卖股票时的手续费等。这样,就能方便用户根据由买卖预测信号计算得到的利润值,去制定目标股票的买卖策略,以合理规避买卖股票时的风险。
在一实施例中,将所述目标股票的价格预测结果输入强化学习算法模型进行处理,得到所述目标股票的买卖预测信号;根据所述目标股票的价格预测结果和所述目标股票的历史价格获取股价差值;根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号。这样,通过对目标股票的买卖预测信号的计算,使得用户可基于该买卖预测信号进行股票交易,以实现买卖股票的收益最大化。
在第三实施例中,如图5所示,在上述图2和图4所示的实施例基础上,所述根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号的步骤之后还包括:
步骤50、根据所述目标股票的买卖预测信号计算夏普率。
步骤51、将所述夏普率与历史夏普率进行数值比对。
步骤52、在所述夏普率大于所述历史夏普率时,更新所述强化学习算法模型中的参数,并用所述夏普率更新所述历史夏普率。
在计算出买卖预测信号后,也可以根据预设利润公式计算根据价格预测结果买卖目标股票时的利润。所述预设利润公式为:
Rt=μ×(Ft-1×rt-δ|Ft-Ft-1|)
其中,Rt为利润值,μ为每次最多可以买多少股(即最大可交易量),rt为预测价格与当前目标股票价格的差值,而δ代表当变化交易策略时带来的损失,如买卖股票时的手续费等。
在计算出在预测时间以价格预测结果买卖目标股票的利润值后,根据夏普率的计算公式,使用利润值去计算夏普率。应该理解的是,夏普率的计算属于公知常识,在本实施例中不再赘述。
如果计算得到的当前时刻的夏普率比上一时刻的强化学习算法模型中存储的历史夏普率(即强化学习算法模型在上一次更新迭代后的夏普率)大,则用当前时刻的夏普率更新历史夏普率,同时更新参数矩阵W的值;在所述夏普率小于或者等于所述历史夏普率时,不更新夏普率,将上一次迭代的历史夏普率Zt-1作为目标夏普率,同时不更新参数矩阵Wt-1。
即是将所述夏普率与所述强化学习算法模型中的历史夏普率进行数值比对;在所述夏普率大于所述历史夏普率时,用所述夏普率更新历史夏普率,或在所述夏普率小于或者等于所述历史夏普率时,保持历史夏普率不变。
具体地,本实施例中,根据夏普率更新参数矩阵的公式为:
其中,Wt为深度神经网络模型根据当前时刻的价格预测结果计算的参数矩阵,Wt-1为深度神经网络模型中上个时刻的参数矩阵,St为与Wt对应的当前时刻的价格预测结果的夏普率,ρ是深度神经网络模型的学习率,ωt为参数梯度,参数梯度ω的计算公式为:
其中,S为夏普率,F为买卖预测信号,R为利润值。
可以理解地,该强化学习算法模型以增大夏普率的值作为优化目标来产生目标股票的买卖信号,以形成以夏普率为指导的更为合理的买卖策略。
在得到当前的夏普率后,根据当前夏普率确定目标股票的买卖策略,在当前夏普率越大时,则生成的买卖交易信号则越激进,进一步可以根据此买卖信号买进或卖出更多的目标股票;在当前夏普率越小则对目标股票的交易信号越保守,进一步可以根据此买卖信号少量买进或卖出目标股票,甚至不作交易。这样,即可以实现买卖目标股票的收益最大化。
可选地,将基于该目标夏普率指定买卖策略的数据表格放置到量化平台上就可以生成策略的量化收益曲线图。
在本实施例中,根据所述目标股票的买卖预测信号计算夏普率;将所述夏普率与历史夏普率进行数值比对;在所述夏普率大于所述历史夏普率时,更新所述强化学习算法模型中的参数,并用所述夏普率更新所述历史夏普率。这样,实现根据价格预测结果智能计算夏普率,量化对目标股票的买卖交易,方便用户制定目标股票的买卖策略,使得不懂金融知识的人也可以轻松自如的使用深度神经网络模型预测得到的价格预测结果,以制定收益高于基准收益的策略。
此外,本发明还提出一种服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的股票价格的预测程序,所述处理器执行所述股票价格的预测程序时实现如以上实施例所述的股票价格的预测方法的步骤。
此外,本发明还提出一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括股票价格的预测程序,所述股票价格的预测程序被处理器执行时实现如以上实施例所述的股票价格的预测方法的步骤。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是电视机,手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种股票价格的预测方法,其特征在于,所述股票价格的预测方法包括以下步骤:
获取目标股票的历史股票数据,并对所述历史股票数据进行预处理;
根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重,所述时间权重与所述时间顺序成正相关;
基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果。
2.如权利要求1所述的股票价格的预测方法,其特征在于,所述历史股票数据包括开盘价、收盘价、最低价、最高价、预设时间间隔内的股票价格、交易量和换手率,所述对所述历史股票数据进行预处理的步骤包括:
对所述历史股票数据进行数据筛选,并根据数据筛选后的历史股票数据确定股票价格走势特征;
将所述股票价格走势特征添加到所述数据筛选后的历史股票数据中,以得到所述预处理后的历史股票数据。
3.如权利要求1所述的股票价格的预测方法,其特征在于,所述根据所述历史股票数据的时间顺序,对所述预处理后的历史股票数据赋予时间权重的步骤包括:
根据预设时间间隔将所述历史股票数据划分成多组子数据;
根据多组所述子数据的时间顺序,通过预设的时间权重函数对多组所述子数据赋予时间权重。
4.如权利要求1所述的股票价格的预测方法,其特征在于,所述深度神经网络模型包括生成式对抗网络,所述生成式对抗网络包括长短期记忆网络和卷积神经网络,其中,所述长短期记忆网络为所述生成式对抗网络中的生成网络,所述卷积神经网络为所述生成式对抗网络中的监督网络。
5.如权利要求1-4中任一项所述的股票价格的预测方法,其特征在于,所述深度神经网络模型还包括强化学习算法模型,所述基于预先构建的深度神经网络模型,根据赋予时间权重后的所述历史股票数据得到所述目标股票的价格预测结果的步骤之后还包括:
将所述目标股票的价格预测结果输入强化学习算法模型进行处理,得到所述目标股票的买卖预测信号。
6.如权利要求5所述的股票价格的预测方法,其特征在于,所述将所述目标股票的价格预测结果输入强化学习算法模型进行处理,得到所述目标股票的买卖预测信号的步骤包括:
根据所述目标股票的价格预测结果和所述目标股票的历史价格获取股价差值;
根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号。
7.如权利要求6所述的股票价格的预测方法,其特征在于,所述根据所述股价差值、所述目标股票的历史买卖预测信号和所述强化学习算法模型中的参数计算得到所述目标股票的买卖预测信号的步骤之后还包括:
根据所述目标股票的买卖预测信号计算夏普率;
将所述夏普率与历史夏普率进行数值比对;
在所述夏普率大于所述历史夏普率时,更新所述强化学习算法模型中的参数,并用所述夏普率更新所述历史夏普率。
8.如权利要求5所述的股票价格的预测方法,其特征在于,所示股票价格预测的方法还包括:
将所述目标股票的历史股票数据作为样本数据;
将所述样本数据输入所述深度神经网络模型进行训练,以优化所述深度神经网络模型的参数。
9.一种服务器,其特征在于,所述服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的股票价格的预测程序,所述股票价格的预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的股票价格的预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有股票价格的预测程序,所述股票价格的预测程序被处理器执行时实现如权利要求1至8中任一项所述的股票价格的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811389858.6A CN109472700A (zh) | 2018-11-20 | 2018-11-20 | 股票价格的预测方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811389858.6A CN109472700A (zh) | 2018-11-20 | 2018-11-20 | 股票价格的预测方法、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472700A true CN109472700A (zh) | 2019-03-15 |
Family
ID=65674183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811389858.6A Pending CN109472700A (zh) | 2018-11-20 | 2018-11-20 | 股票价格的预测方法、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472700A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978682A (zh) * | 2019-03-28 | 2019-07-05 | 上海拍拍贷金融信息服务有限公司 | 信用评分方法、装置以及计算机存储介质 |
CN110047001A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN110059896A (zh) * | 2019-05-15 | 2019-07-26 | 浙江科技学院 | 一种基于强化学习的股票预测方法及系统 |
CN110264270A (zh) * | 2019-06-20 | 2019-09-20 | 京东数字科技控股有限公司 | 一种行为预测方法、装置、设备和存储介质 |
CN110363568A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 融合文本多主题信息的股票价格预测方法、系统及介质 |
CN111178498A (zh) * | 2019-12-09 | 2020-05-19 | 北京邮电大学 | 一种股票波动预测方法及装置 |
CN111178626A (zh) * | 2019-12-30 | 2020-05-19 | 苏州科技大学 | 基于wgan算法的建筑能耗预测方法及监测预测系统 |
CN111192144A (zh) * | 2020-01-03 | 2020-05-22 | 湖南工商大学 | 一种金融数据预测方法、装置、设备及存储介质 |
CN111427935A (zh) * | 2020-02-28 | 2020-07-17 | 中信建投证券股份有限公司 | 量化交易指标的预测和显示方法、电子设备和介质 |
TWI705408B (zh) * | 2019-05-06 | 2020-09-21 | 元大證券投資信託股份有限公司 | 金融商品價格趨勢的預測方法及其系統 |
WO2020250723A1 (ja) * | 2019-06-11 | 2020-12-17 | ソニー株式会社 | 情報処理方法、情報処理装置、及び、プログラム |
CN112258322A (zh) * | 2020-10-22 | 2021-01-22 | 上海携宁计算机科技股份有限公司 | 信息预测方法、装置、电子设备和存储介质 |
CN112835952A (zh) * | 2021-01-23 | 2021-05-25 | 闫国壮 | 一种基于股票指标的计算分析方法及系统 |
CN115759206A (zh) * | 2022-09-05 | 2023-03-07 | 同济大学 | 一种基于量化与生成对抗网络的无监督学习方法 |
CN116976897A (zh) * | 2023-09-20 | 2023-10-31 | 青岛华正信息技术股份有限公司 | 一种综合安全管理指标数字化执行系统及方法 |
CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
-
2018
- 2018-11-20 CN CN201811389858.6A patent/CN109472700A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047001A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN110047001B (zh) * | 2019-03-28 | 2022-06-24 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN109978682A (zh) * | 2019-03-28 | 2019-07-05 | 上海拍拍贷金融信息服务有限公司 | 信用评分方法、装置以及计算机存储介质 |
TWI705408B (zh) * | 2019-05-06 | 2020-09-21 | 元大證券投資信託股份有限公司 | 金融商品價格趨勢的預測方法及其系統 |
CN110059896A (zh) * | 2019-05-15 | 2019-07-26 | 浙江科技学院 | 一种基于强化学习的股票预测方法及系统 |
CN110363568A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 融合文本多主题信息的股票价格预测方法、系统及介质 |
CN110363568B (zh) * | 2019-06-06 | 2022-02-25 | 上海交通大学 | 融合文本多主题信息的股票价格预测方法、系统及介质 |
WO2020250723A1 (ja) * | 2019-06-11 | 2020-12-17 | ソニー株式会社 | 情報処理方法、情報処理装置、及び、プログラム |
CN110264270A (zh) * | 2019-06-20 | 2019-09-20 | 京东数字科技控股有限公司 | 一种行为预测方法、装置、设备和存储介质 |
CN111178498A (zh) * | 2019-12-09 | 2020-05-19 | 北京邮电大学 | 一种股票波动预测方法及装置 |
CN111178498B (zh) * | 2019-12-09 | 2023-08-22 | 北京邮电大学 | 一种股票波动预测方法及装置 |
CN111178626A (zh) * | 2019-12-30 | 2020-05-19 | 苏州科技大学 | 基于wgan算法的建筑能耗预测方法及监测预测系统 |
CN111192144A (zh) * | 2020-01-03 | 2020-05-22 | 湖南工商大学 | 一种金融数据预测方法、装置、设备及存储介质 |
CN111427935B (zh) * | 2020-02-28 | 2023-05-30 | 中信建投证券股份有限公司 | 量化交易指标的预测和显示方法、电子设备和介质 |
CN111427935A (zh) * | 2020-02-28 | 2020-07-17 | 中信建投证券股份有限公司 | 量化交易指标的预测和显示方法、电子设备和介质 |
CN112258322B (zh) * | 2020-10-22 | 2021-10-22 | 上海携宁计算机科技股份有限公司 | 信息预测方法、装置、电子设备和存储介质 |
CN112258322A (zh) * | 2020-10-22 | 2021-01-22 | 上海携宁计算机科技股份有限公司 | 信息预测方法、装置、电子设备和存储介质 |
CN112835952A (zh) * | 2021-01-23 | 2021-05-25 | 闫国壮 | 一种基于股票指标的计算分析方法及系统 |
CN115759206A (zh) * | 2022-09-05 | 2023-03-07 | 同济大学 | 一种基于量化与生成对抗网络的无监督学习方法 |
CN116976897A (zh) * | 2023-09-20 | 2023-10-31 | 青岛华正信息技术股份有限公司 | 一种综合安全管理指标数字化执行系统及方法 |
CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472700A (zh) | 股票价格的预测方法、服务器及存储介质 | |
Du et al. | Learning resource allocation and pricing for cloud profit maximization | |
Treleaven et al. | Algorithmic trading review | |
CN109902222A (zh) | 一种推荐方法及装置 | |
Huang | Experimental econophysics: Complexity, self-organization, and emergent properties | |
Alptekin et al. | Analysis of criteria influencing contractor selection using TOPSIS method | |
CN108734338A (zh) | 基于lstm模型的信用风险预测方法及装置 | |
CN113159835B (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
CN107644370A (zh) | 一种自增强学习的撮合竞价方法及系统 | |
CN108305167A (zh) | 一种基于深度增强学习算法的外汇交易方法及系统 | |
Chowdhury et al. | Bidding in Periodic Double Auctions Using Heuristics and Dynamic Monte Carlo Tree Search. | |
CN112053097A (zh) | 一种贷款催收方法、装置、电子设备及存储介质 | |
CN108229750A (zh) | 一种股票收益率预测方法 | |
Ruta | Automated trading with machine learning on big data | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
Oyemade et al. | An Optimized Input Genetic Algorithm Model for the Financial Market | |
Chowdhury et al. | Investigation of learning strategies for the SPOT broker in Power TAC | |
Casti | 1 The Computer as a Laboratory | |
Li et al. | Online portfolio management via deep reinforcement learning with high-frequency data | |
Yang et al. | A versatile multi-agent reinforcement learning benchmark for inventory management | |
Wang et al. | An experimental study on real-options strategies | |
Wu et al. | Applications of AI techniques to generation planning and investment | |
Panda et al. | Effectiveness of GA on short term load forecasting | |
CN110807543A (zh) | 一种基于群决策智能搜索的投资组合优化方法和装置 | |
KR20160026477A (ko) | 사용자 맞춤 주식투자정보 제공방법, 장치 및 시스템 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |
|
RJ01 | Rejection of invention patent application after publication |