CN110232631A - 预测股票的方法及装置、计算机设备、存储介质 - Google Patents
预测股票的方法及装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN110232631A CN110232631A CN201910337190.9A CN201910337190A CN110232631A CN 110232631 A CN110232631 A CN 110232631A CN 201910337190 A CN201910337190 A CN 201910337190A CN 110232631 A CN110232631 A CN 110232631A
- Authority
- CN
- China
- Prior art keywords
- personal share
- days
- information
- deep bid
- tendency
- 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.)
- Withdrawn
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (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)
Abstract
本发明实施例提供了一种预测股票的方法及装置、计算机设备、存储介质。一方面,该方法包括:接收针对目标个股的预测请求,预测请求中携带有预测天数;获取目标个股在预测天数内的最近历史个股信息和最近历史大盘信息;将最近历史个股信息和最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,DLSTM是使用目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;使用DLSTM在历史收益走势中查找与最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将目标个股在指定时间段内的历史收益走势确定为目标个股在预测天数的收益走势。通过本发明,解决了现有技术中采用因子选股进行股票预测时对人员要求过高和准确率低的技术问题。
Description
【技术领域】
本发明涉及计算机领域,尤其涉及一种预测股票的方法及装置、计算机设备、存储介质。
【背景技术】
股票预测前景广阔,传统因子选股基于历史股票数据具有滞后性,而且强依赖于股民个人经验。
传统的因子选股是线性模型,构建时很容易对历史数据造成过拟合,导致盘中表现相对衰减,加上个人考虑股票因子只会考虑具体股票的相关指数,综合各个指数的线性关系综合判断,但并不能也不会想到从股票的变化数值中抽取出特征。换而言之,传统的因子选股存在一定的瓶颈性,对个人的经验要求非常之高,而且很多时候难以考虑全面,导致准确率低。
针对相关技术中存在的上述问题,目前尚未发现有效的解决方案。
【发明内容】
有鉴于此,本发明实施例提供了一种预测股票的方法及装置、计算机设备、存储介质。
一方面,本发明实施例提供了一种预测股票的方法,所述方法包括:接收针对目标个股的预测请求,所述预测请求中携带有预测天数;获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
可选的,在将所述预测天数输入到差分长短记忆时序模型DLSTM之前,所述方法还包括:获取所述目标个股在多个采样时间段内的历史数据,其中,所述采样时间段的天数大于或等于所述预测天数,所述历史数据包括:所述目标个股的个股信息,以及所述目标个股所在大盘的大盘信息;对所述个股信息和所述大盘信息进行权重分配,得到输入数据;对所述输入数据进行平滑差分处理和数据规约处理,得到预处理数据;将所述预处理数据中的时间信息作为输入标签数据,日均收益作为输出标签数据,训练初始模型,得到所述DLSTM。
可选的,对所述输入数据进行平滑差分处理和数据规约处理包括:采用以下算法对所述输入数据进行n维的平滑差分处理:
Data(n维)=Data[i]–Data[i-n];其中,n为平滑差分处理的维度;
采用以下算法对平滑差分处理的结果进行数据规约处理:Data(n维) 其中,X表示某天的数值,Xmax表示历史最大数值,Xmin表示历史最小数值,for j in(0,j)表示按矩阵列项遍历分别归一化,i,j代表维度横纵度,i为天数,j为日均收益。
可选的,对所述个股信息和所述大盘信息进行权重分配,得到输入数据,包括:确定所述个股信息中各个要素的权重信息,以及所述大盘信息中各个要素的权重信息;对所述个股信息中的各个要素和所述大盘信息中的各个要素分配对应的预设权重;将每个所述个股信息中的要素和每个所述大盘信息中的要素的向量值乘以对应的预设权重,得到所述输入数据。
可选的,个股信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量,动态市盈率PEG,净利率,流通市值CMV,随机指标KDJ,相对强弱指数RSI,指数平滑移动平均线MACD;所述大盘信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量。
可选的,在将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势之后,所述方法还包括:输出所述目标个股的收益走势;根据所述收益走势提示用户买入所述目标个股或卖出所述目标个股。
可选的,输出所述目标个股的收益走势包括:比较所述预测天数和所述样本数据的采样天数;在所述预测天数小于或等于所述采样天数时,输出所述目标个股在所述预测天数内的收益走势;在所述预测天数大于所述采样天数时,将所述目标个股在所述采样天数内的历史收益走势输出为所述目标个股在所述预测天数内的收益走势。
另一方面,本发明实施例提供了一种生成压缩包的装置,所述装置包括:预测股票的装置,所述装置包括:接收模块,用于接收针对目标个股的预测请求,所述预测请求中携带有预测天数;获取模块,用于获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;输入模块,用于将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;预测模块,用于使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
可选的,所述装置还包括:获取模块,用于获取所述目标个股在多个采样时间段内的历史数据,其中,所述采样时间段的天数大于或等于所述预测天数,所述历史数据包括:所述目标个股的个股信息,以及所述目标个股所在大盘的大盘信息;分配模块,用于对所述个股信息和所述大盘信息进行权重分配,得到输入数据;处理模块,用于对所述输入数据进行平滑差分处理和数据规约处理,得到预处理数据;训练模块,用于将所述预处理数据中的时间信息作为输入标签数据,日均收益作为输出标签数据,训练初始模型,得到所述DLSTM。
可选的,所述处理模块包括:第一计算单元,用于采用以下算法对所述输入数据进行n维的平滑差分处理:
Data(n维)=Data[i]–Data[i-n];其中,n为平滑差分处理的维度;
第二计算单元,用于采用以下算法对平滑差分处理的结果进行数据规约处理:Data(n维)其中,X表示某天的数值,Xmax表示历史最大数值,Xmin表示历史最小数值,for j in(0,j)表示按矩阵列项遍历分别归一化,i,j代表维度横纵度,i为天数,j为日均收益。
可选的,所述分配模块包括:确定单元,用于确定所述个股信息中各个要素的权重信息,以及所述大盘信息中各个要素的权重信息;分配单元,用于对所述个股信息中的各个要素和所述大盘信息中的各个要素分配对应的预设权重;计算单元,用于将每个所述个股信息中的要素和每个所述大盘信息中的要素的向量值乘以对应的预设权重,得到所述输入数据。
可选的,个股信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量,动态市盈率PEG,净利率,流通市值CMV,随机指标KDJ,相对强弱指数RSI,指数平滑移动平均线MACD;所述大盘信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量。
可选的,所述装置还包括:输出模块,用于在所述预测模块将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势之后,输出所述目标个股的收益走势;提示模块,用于根据所述收益走势提示用户买入所述目标个股或卖出所述目标个股。
可选的,所述输出模块包括:比较单元,用于比较所述预测天数和所述样本数据的采样天数;输出单元,用于在所述预测天数小于或等于所述采样天数时,输出所述目标个股在所述预测天数内的收益走势;在所述预测天数大于所述采样天数时,将所述目标个股在所述采样天数内的历史收益走势输出为所述目标个股在所述预测天数内的收益走势。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,通过采用差分长短记忆时序模型,在样本数据中增加个股和大盘两个维度的数据,综合考虑个股和大盘的变动对个股走势的影响,解决了现有技术中采用因子选股进行股票预测时对人员要求过高和准确率低的技术问题,操作性更强,预测更精准。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例的一种预测股票的移动终端的硬件结构框图;
图2是根据本发明实施例的预测股票的方法的流程图;
图3是本发明实施例的平滑差分处理和数据规约处理的效果示意图;
图4是本发明实施例输出目标个股的未来收益走势的流程图;
图5是根据本发明实施例的预测股票的装置的结构框图。
【具体实施方式】
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种预测股票的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的预测股票的方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种预测股票的方法,图2是根据本发明实施例的预测股票的方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,接收针对目标个股的预测请求,所述预测请求中携带有预测天数;
步骤S204,获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;
本实施例的最近历史个股信息和最近历史大盘信息是以当前时间为基准,向前倒推预测天数的时间段的个股信息和大盘信息。在一个示例中,预测天数为2019-2-18~2019-2-20三天,除去无数据的非交易日,当前时间为2019-2-18,则最近历史个股信息和最近历史大盘信息的数据为2019-2-13~2019-2-15三天的个股信息和大盘信息;
步骤S206,将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型(Differential Long Short-Term Memory,简称为DLSTM),其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;包括个股和大盘的股票数据与收益走势的关联关系。
本实施例中,个股信息包括与个股相关的多个要素,包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量,动态市盈率(PEG),净利率(P/R),流通市值(CMV),随机指标(KDJ),相对强弱指数(RSI),指数平滑移动平均线(MACD)等,大盘信息包括与大盘相关的多个要素,包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量等。
步骤S208,使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
在本实施例中,为便于数据分析,还可以对最近历史个股信息和最近历史大盘信息进行预处理,将其整合为一个数据,在一个示例中,最近历史个股信息和最近历史大盘信息的预处理数据为{1.1,2.2,2.3},通过查找,2019-1-2~2019-1-4三天的历史处理数据为{1.0,2.2,2.3},相似度最高,为匹配的时间段,则将目标个股在2019-1-2~2019-1-4的历史收益预测为目标个股在2019-2-18~2019-2-20三天的收益走势。
本实施例的收益走势是一段连续时间内的收益数据,每天的收益串起来即形成有价值的涨跌趋势,DLSTM输出的是一段时间(预测天数)内的收益数据,统称收益走势。
通过本实施例的方案,通过采用差分长短记忆时序模型,在样本数据中增加个股和大盘两个维度的数据,综合考虑个股和大盘的变动对个股走势的影响,解决了现有技术中采用因子选股进行股票预测时对人员要求过高和准确率低的技术问题,操作性更强,预测更精准。
可选的,在将所述预测天数输入到差分长短记忆时序模型DLSTM之前,还包括:获取所述目标个股在多个采样时间段内的历史数据,其中,所述采样时间段的天数大于或等于所述预测天数,所述历史数据包括:所述目标个股的个股信息,以及所述目标个股所在大盘的大盘信息;对所述个股信息和所述大盘信息进行权重分配,得到输入数据;对所述输入数据进行平滑差分处理和数据规约处理,得到预处理数据;将所述预处理数据中的时间信息作为输入标签数据,日均收益作为输出标签数据,训练初始模型,得到所述DLSTM。
可选的,对所述个股信息和所述大盘信息进行权重分配,得到输入数据,包括:确定所述个股信息中各个要素的权重信息,以及所述大盘信息中各个要素的权重信息;对所述个股信息中的各个要素和所述大盘信息中的各个要素分配对应的预设权重;将每个所述个股信息中的要素和每个所述大盘信息中的要素的向量值乘以对应的预设权重,得到所述输入数据。可选的,个股信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量,动态市盈率PEG,净利率,流通市值CMV,随机指标KDJ,相对强弱指数RSI,指数平滑移动平均线MACD;所述大盘信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量。在一个示例中,个股信息的要素包括开盘价,收盘价,最高价,涨跌幅,大盘信息的要素包括开盘价,交易量,最高价,涨跌幅,其中,个股信息的开盘价,收盘价,最高价,涨跌幅的预设权重分别是:0.2,0.2,0.1,0.5,大盘信息的开盘价,交易量,最高价,涨跌幅的预设权重分别是:0.2,0.2,0.3,0.3,预设权重表征各个要素对个股当日收益(涨跌幅)的影响程度,分别将预设权重乘以对应要素的向量值,得到个股的输入数据和大盘的输入数据。
可选的,对所述输入数据进行平滑差分处理和数据规约处理包括:
S11,采用以下算法对所述输入数据进行n维的平滑差分处理:
Data(n维)=Data[i]–Data[i-n];其中,n为平滑差分处理的维度;
在本实施例中,对输入数据进行平滑差分处理可以去除波动,由于股票历史数据是曲线数据,需要预处理数据,通过采用差分方式去除波动性,迭代隔天(day=n)数据维度之差生成新的数据集。n为1,2,3…天,表示平滑差分处理的维度:
如n=1时,Data(今天变动)=data(今天)–data(昨天),也即是:Data[i]=data[i]–data[i-1],i是历史数据天数转换1~n的数值型。
S12,采用以下算法对平滑差分处理的结果进行数据规约处理:Data(n维)其中,X表示某天的数值,Xmax表示历史最大数值,Xmin表示历史最小数值,for j in(0,j)表示按矩阵列项遍历分别归一化,i,j代表维度横纵度,i为天数,j为日均收益。
图3是本发明实施例的平滑差分处理和数据规约处理的效果示意图,上面是原股票收盘价数值走势图形,一条代表个股,另一天是大盘,下部是对其进行平滑差分规约处理后的走势图形。对于DLSTM神经网络,DLSTM结构第一层差分规约层,其他三层是常规的输入层,隐层,输出层,DLSTM基于Tensorflow(人工智能学习系统)实现4层结构。
可选的,在将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势之后,所述方法还包括:输出所述目标个股的收益走势;根据所述收益走势提示用户买入所述目标个股或卖出所述目标个股。
未来收益走势是一个向上或者向下的走势图,也可以是平的走势,表示增幅为0,在未来收益走势向上时,可以提示用户买入该个股,在未来收益走势向下时,可以提示用户买出该个股,在用户没有持有时,提示用户暂时不要买入,同时,提醒用户的风险系数,风险系数可以根据收益走势的幅度来确定,如增长的幅度越大,风险系数越小,反之,风险系数越大,或者,下降的幅度越大,风险系数越大,反之,风险系数越小。
在本实施例的一个实施方式中,可以根据采样天数来决定可预测的天数,图4是本发明实施例输出目标个股的未来收益走势的流程图,输出所述目标个股的未来收益走势包括:
S402,比较所述预测天数和所述样本数据的采样天数;
在一个示例中,预测天数为2018-11-19~2018-11-23,共5天,采样天数为2018-11-11~2018-11-24,共4天。
S404,在所述预测天数小于或等于所述采样天数时,输出所述目标个股在所述预测天数内的收益走势;在所述预测天数大于所述采样天数时,将所述目标个股在所述采样天数内的历史收益走势输出为所述目标个股在所述预测天数内的收益走势。
由上述的数据比较得知,预测天数比采样天数多一天,只能输出4天内的预测数据,2018-11-19~2018-11-22,或者2018-11-20~2018-11-23。
短期的走势以训练DLSTM的历史数据为基准,如历史数据选取了30天的数据,则短期是指未来30天,超过采样天数的是中长期,即30之外是指中长期。在大盘稳定的情况下,如在慢牛或者慢熊的股市环境下,也可以预测个股中长期的走势,个股预测长短期都能预测,但是短期预测本来就是基于历史数据进行,在历史数据不变也即是未来环境不变的情况进行预测的,本来就存在不可预知的要素造成的容错率,长期预测在短期预测的数据基础上再进行长期预测,增加了容错率,没有办法很好确定买入卖出节点,所以本实施例的方案更适用于短期预测,除非大盘稳定的情况,即是大盘处于上坡或横仓的情况。
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根据上述实施例的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(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种预测股票的装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的预测股票的装置的结构框图,如图5所示,该装置包括:
接收模块50,用于接收针对目标个股的预测请求,所述预测请求中携带有预测天数;
获取模块52,用于获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;
输入模块54,用于将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;
预测模块56,用于使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
可选的,所述装置还包括:获取模块,用于获取所述目标个股在多个采样时间段内的历史数据,其中,所述采样时间段的天数大于或等于所述预测天数,所述历史数据包括:所述目标个股的个股信息,以及所述目标个股所在大盘的大盘信息;分配模块,用于对所述个股信息和所述大盘信息进行权重分配,得到输入数据;处理模块,用于对所述输入数据进行平滑差分处理和数据规约处理,得到预处理数据;训练模块,用于将所述预处理数据中的时间信息作为输入标签数据,日均收益作为输出标签数据,训练初始模型,得到所述DLSTM。
可选的,所述处理模块包括:第一计算单元,用于采用以下算法对所述输入数据进行n维的平滑差分处理:
Data(n维)=Data[i]–Data[i-n];其中,n为平滑差分处理的维度;
第二计算单元,用于采用以下算法对平滑差分处理的结果进行数据规约处理:Data(n维)其中,X表示某天的数值,Xmax表示历史最大数值,Xmin表示历史最小数值,for j in(0,j)表示按矩阵列项遍历分别归一化,i,j代表维度横纵度,i为天数,j为日均收益。
可选的,所述分配模块包括:确定单元,用于确定所述个股信息中各个要素的权重信息,以及所述大盘信息中各个要素的权重信息;分配单元,用于对所述个股信息中的各个要素和所述大盘信息中的各个要素分配对应的预设权重;计算单元,用于将每个所述个股信息中的要素和每个所述大盘信息中的要素的向量值乘以对应的预设权重,得到所述输入数据。
可选的,个股信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量,动态市盈率PEG,净利率,流通市值CMV,随机指标KDJ,相对强弱指数RSI,指数平滑移动平均线MACD;所述大盘信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量。
可选的,所述装置还包括:输出模块,用于在所述预测模块将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势之后,输出所述目标个股的收益走势;提示模块,用于根据所述收益走势提示用户买入所述目标个股或卖出所述目标个股。
可选的,所述输出模块包括:比较单元,用于比较所述预测天数和所述样本数据的采样天数;输出单元,用于在所述预测天数小于或等于所述采样天数时,输出所述目标个股在所述预测天数内的收益走势;在所述预测天数大于所述采样天数时,将所述目标个股在所述采样天数内的历史收益走势输出为所述目标个股在所述预测天数内的收益走势。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,接收针对目标个股的预测请求,所述预测请求中携带有预测天数;
S2,获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;
S3,将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;
S4,使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,接收针对目标个股的预测请求,所述预测请求中携带有预测天数;
S2,获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;
S3,将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;
S4,使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种预测股票的方法,其特征在于,所述方法包括:
接收针对目标个股的预测请求,所述预测请求中携带有预测天数;
获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;
将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;
使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
2.根据权利要求1所述的方法,其特征在于,在将所述预测天数输入到差分长短记忆时序模型DLSTM之前,所述方法还包括:
获取所述目标个股在多个采样时间段内的历史数据,其中,所述采样时间段的天数大于或等于所述预测天数,所述历史数据包括:所述目标个股的个股信息,以及所述目标个股所在大盘的大盘信息;
对所述个股信息和所述大盘信息进行权重分配,得到输入数据;
对所述输入数据进行平滑差分处理和数据规约处理,得到预处理数据;
将所述预处理数据中的时间信息作为输入标签数据,日均收益作为输出标签数据,训练初始模型,得到所述DLSTM。
3.根据权利要求2所述的方法,其特征在于,对所述输入数据进行平滑差分处理和数据规约处理包括:
采用以下算法对所述输入数据进行n维的平滑差分处理:
Data(n维)=Data[i]–Data[i-n];
其中,n为平滑差分处理的维度;
采用以下算法对平滑差分处理的结果进行数据规约处理:
其中,X表示某天的数值,Xmax表示历史最大数值,Xmin表示历史最小数值,for j in(0,j)表示按矩阵列项遍历分别归一化,i,j代表维度横纵度,i为天数,j为日均收益。
4.根据权利要求2所述的方法,其特征在于,对所述个股信息和所述大盘信息进行权重分配,得到输入数据,包括:
确定所述个股信息中各个要素的权重信息,以及所述大盘信息中各个要素的权重信息;
对所述个股信息中的各个要素和所述大盘信息中的各个要素分配对应的预设权重;
将每个所述个股信息中的要素和每个所述大盘信息中的要素的向量值乘以对应的预设权重,得到所述输入数据。
5.根据权利要求4所述的方法,其特征在于,个股信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量,动态市盈率PEG,净利率,流通市值CMV,随机指标KDJ,相对强弱指数RSI,指数平滑移动平均线MACD;所述大盘信息的要素包括:开盘价,收盘价,最高价,最低价,收盘价,涨跌幅,交易量。
6.根据权利要求1所述的方法,其特征在于,在将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势之后,所述方法还包括:
输出所述目标个股的收益走势;
根据所述收益走势提示用户买入所述目标个股或卖出所述目标个股。
7.根据权利要求6所述的方法,其特征在于,输出所述目标个股的收益走势包括:
比较所述预测天数和所述样本数据的采样天数;
在所述预测天数小于或等于所述采样天数时,输出所述目标个股在所述预测天数内的收益走势;在所述预测天数大于所述采样天数时,将所述目标个股在所述采样天数内的历史收益走势输出为所述目标个股在所述预测天数内的收益走势。
8.一种预测股票的装置,其特征在于,所述装置包括:
接收模块,用于接收针对目标个股的预测请求,所述预测请求中携带有预测天数;
获取模块,用于获取所述目标个股在所述预测天数内的最近历史个股信息和最近历史大盘信息;
输入模块,用于将所述最近历史个股信息和所述最近历史大盘信息输入到差分长短记忆时序模型DLSTM,其中,所述DLSTM是使用所述目标个股的历史的个股信息和大盘信息作为样本数据训练得到的;
预测模块,用于使用所述DLSTM在历史收益走势中查找与所述最近历史个股信息和最近历史大盘信息匹配的指定时间段,并将所述目标个股在所述指定时间段内的历史收益走势确定为所述目标个股在所述预测天数的收益走势。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910337190.9A CN110232631A (zh) | 2019-04-25 | 2019-04-25 | 预测股票的方法及装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910337190.9A CN110232631A (zh) | 2019-04-25 | 2019-04-25 | 预测股票的方法及装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110232631A true CN110232631A (zh) | 2019-09-13 |
Family
ID=67860282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910337190.9A Withdrawn CN110232631A (zh) | 2019-04-25 | 2019-04-25 | 预测股票的方法及装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232631A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269259A (zh) * | 2021-05-31 | 2021-08-17 | 北京邮电大学 | 一种目标信息的预测方法及装置 |
-
2019
- 2019-04-25 CN CN201910337190.9A patent/CN110232631A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269259A (zh) * | 2021-05-31 | 2021-08-17 | 北京邮电大学 | 一种目标信息的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046286B (zh) | 一种对象推荐方法、装置、以及计算机存储介质 | |
CN108920280A (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
CN108427708A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN109460793A (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
CN109922152A (zh) | 一种移动边缘计算中的计算卸载方法及系统 | |
CN111612528A (zh) | 用户分类模型的确定方法、装置、设备及存储介质 | |
CN111723910A (zh) | 构建多任务学习模型的方法、装置、电子设备及存储介质 | |
CN107783840A (zh) | 一种分布式多层深度学习资源分配方法和装置 | |
Şenyiğit et al. | Heuristic-based neural networks for stochastic dynamic lot sizing problem | |
CN112541124A (zh) | 生成多任务模型的方法、装置、设备、介质及程序产品 | |
CN113240194B (zh) | 储能电池容量预测方法、服务端及计算机可读存储介质 | |
CN112988285A (zh) | 任务卸载方法和装置、电子设备及存储介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN113918826B (zh) | 投放信息处理方法、资源预测模型训练方法及装置 | |
CN115619448A (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
CN114049162B (zh) | 模型训练方法、需求量预测方法、装置、设备和存储介质 | |
CN108667877B (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
CN110232631A (zh) | 预测股票的方法及装置、计算机设备、存储介质 | |
CN108304975A (zh) | 一种数据预测系统及方法 | |
CN113409898B (zh) | 分子结构获取方法、装置、电子设备及存储介质 | |
CN114579640A (zh) | 一种基于生成式对抗网络的金融时间序列预测系统和方法 | |
CN115794323A (zh) | 任务调度方法、装置、服务器和存储介质 | |
CN114493641A (zh) | 信息显示方法、装置、电子设备和计算机可读介质 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN113516185B (zh) | 模型训练的方法、装置、电子设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190913 |