CN110490746A - 一种股市量化投资的金融科技人工智能优化方法及装置 - Google Patents
一种股市量化投资的金融科技人工智能优化方法及装置 Download PDFInfo
- Publication number
- CN110490746A CN110490746A CN201910762562.2A CN201910762562A CN110490746A CN 110490746 A CN110490746 A CN 110490746A CN 201910762562 A CN201910762562 A CN 201910762562A CN 110490746 A CN110490746 A CN 110490746A
- Authority
- CN
- China
- Prior art keywords
- stock
- data
- neural network
- prediction
- price
- 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
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
Abstract
本发明公开了一种股市量化投资的金融科技人工智能优化方法。包括获取股票历史价格数据，对股票历史价格数据进行预处理，获得处理后数据；将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格；将股票预测价格导入至预设的规则中，获得最优投资组合比例。本发明还公开了一种股市量化投资的金融科技人工智能优化装置。本发明提出的金融投资组合优化算法基于神经网络的结构、自适应能力、模拟非线性函数特点，使用金融科技分析股票数据进行预测，创新人工智能优化算法在证券量化投资组合中的功用。
Description
技术领域
本发明涉及股市量化投资的人工智能优化领域，特别是涉及一种股市量化投资的金融科技人工智能优化方法及装置。
背景技术
投资组合理论为西方发达资本主义国家经济快速、稳定的发展起到了至关重要的作用。但是，与国外的理论发展现状相比，我国目前的发展无论是在理论的研究上还是应用上，都尚处于摸索阶段。现有技术方案包括马科维兹理论、资本资产定价模型、套利定价理论等，大都通过采用分散组合投资的方式控制个股的不稳定波动所造成的损失，藉以降低股票投资风险。伴随着中国股票市场交易制度的完善，对新金融科技技术的量化交易需求越来越庞大，各投资机构陆续进行股票数据预测算法和量化投资技术的相关研究。然而，造成股票价格波动的因素有很多，致使股票市场交易形成了一个复杂的非线性系统，现有技术方案的金融预测与投资组合优化技术已经无法满足需求。
发明内容
本发明目的是提供一种股市量化投资的金融科技人工智能优化方法及装置，能够优化股市量化投资。
根据本发明的第一方面，提供了一种股市量化投资的金融科技人工智能优化方法，包括：
获取股票历史价格数据，对股票历史价格数据进行预处理，获得处理后数据；
将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格；
将股票预测价格导入至预设的规则中，获得最优投资组合比例。
进一步的，“对股票历史价格数据进行预处理”具体包括：
读取股票历史价格数据的csv文件，将csv文件以DataFrame类型保存并将含有空值的行进行删除，获得可使用股票历史数据；
将可使用股票历史数据按照预设的比例分为训练数据和测试数据；
对训练数据与测试数据进行取均值、归一化。
进一步的，“将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格”具体包括：
将处理后数据导入训练神经网络中，通过反向传播求解训练神经网络参数梯度；
根据参数梯度优化训练神经网络的参数，获得优化神经网络；
判断优化神经网络的迭代次数是否达到最大值，若达到最大值，则判断优化神经网络的预测误差是否在预设范围内，若未达到最大值，则重新将处理后数据导入训练神经网络中再次训练；
若预测误差不在预设范围内，则重新将处理后数据导入训练神经网络中再次训练，若预测误差在预设范围内，则将优化神经网络作为最优神经网络模型，并将处理后数据导入最优神经网络模型，获得股票预测价格。
进一步的，“将股票预测价格导入至预设的规则中，获得最优投资组合比例”具体包括：
获取股票预测价格，根据股票预测价格与股票历史价格数据得到股票期望收益值；
根据股票期望收益值确定股票的标准差、协方差；
根据标准差、协方差确定最优投资组合比例。
根据本发明的第二方面，提供了一种股市量化投资的金融科技人工智能优化装置，包括：
获取模块：获取股票历史价格数据，对股票历史价格数据进行预处理，获得处理后数据；
处理模块：将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格；
运算模块：将股票预测价格导入至预设的规则中，获得最优投资组合比例。
进一步的，“对股票历史价格数据进行预处理”具体包括：
处理模块：读取股票历史价格数据的csv文件，将csv文件以DataFrame类型保存并将含有空值的行进行删除，获得可使用股票历史数据；
将可使用股票历史数据按照预设的比例分为训练数据和测试数据；
对训练数据与测试数据进行取均值、归一化。
进一步的，“将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格”具体包括：
处理模块：将处理后数据导入训练神经网络中，通过反向传播求解训练神经网络参数梯度；
根据参数梯度优化训练神经网络的参数，获得优化神经网络；
判断优化神经网络的迭代次数是否达到最大值，若达到最大值，则判断优化神经网络的预测误差是否在预设范围内，若未达到最大值，则重新将处理后数据导入训练神经网络中再次训练；
若预测误差不在预设范围内，则重新将处理后数据导入训练神经网络中再次训练，若预测误差在预设范围内，则将优化神经网络作为最优神经网络模型，并将处理后数据导入最优神经网络模型，获得股票预测价格。
进一步的，“将股票预测价格导入至预设的规则中，获得最优投资组合比例”具体包括：
运算模块：获取股票预测价格，根据股票预测价格与股票历史价格数据得到股票期望收益值；
根据股票期望收益值确定股票的标准差、协方差；
根据标准差、协方差确定最优投资组合比例。
本发明的有益效果为：1. 本发明提出的金融投资组合优化算法基于神经网络的结构、自适应能力、模拟非线性函数特点，使用金融科技分析股票数据进行预测，创新人工智能优化算法在证券量化投资组合中的功用。2. 本发明技术所提出的神经网络优化算法可以拟合复杂的非线性函数，弥补了传统股票市场投资预测方法的不足。3. 本发明提出的金融投资组合优化算法，利用股票量化数据的开盘价、收盘价、最高价、最低价、成交量、星期等共6个输入特征来预测后期的收盘价，通过调整神经网络模型参数以提高股票数据预测准确率，使本发明技术的神经网络优化算法能很好的拟合中国股票市场。
附图说明
图1是根据本发明一实施例的一种股市量化投资的金融科技人工智能优化方法的流程图；
图2是根据本发明一实施例的一种股市量化投资的金融科技人工智能优化装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。
图1示出了根据本发明一实施例的一种股市量化投资的金融科技人工智能优化方法的流程，包括：
S11、获取股票历史价格数据，对股票历史价格数据进行预处理，获得处理后数据。
本方法的执行主体可以是云端服务器。
在本说明书实施例中，股票历史价格数据可以从股市交易所数据库或是在财经平台提供的股票历史数据。所选择股票可获取从其上市时间起，每天的股票各项交易历史数据，并可以csv格式存储到本地计算机或数据库。
S12、将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格。
在本说明书实施例中，神经网络结构分为输入层、隐藏层和输出层。输入层节点数为训练数据的特征数量，隐藏层数和每一隐藏层节点数可在训练之前设置，后面可根据数据的训练结果去不断尝试修改，以得到最佳的层数和节点数。输出层根据想预测的数据数量，设置对应数量的节点数。本发明技术方案通过设置这三层(输入层、隐藏层和输出层)，便可规划神经网络架构。本发明可以使用的隐藏层激活函数有：sigmoid函数、tanh函数和ReLU函数，可以使用的输出层激活函数有：恒等函数y=x和softmax函数。
为了让本发明技术方案的神经网络具有非线性函数拟合能力，理论上3层可以逼近任意的非线性函数，因此本发明技术方案的神经网络模型至少要包含三层，即输入层、隐藏层和输出层。为了提高本发明技术方案的预测准确度，可通过增加隐藏层节点数或层数来实现，然而增加隐藏层会使模型的训练时间呈指数增长。本发明技术方案确定隐藏层节点数包含有以下3个计算公式：
其中表示隐藏层节点数，表示输入层节点数，表示输出层节点数，表示数值1至10之间的任意值。因此，本发明技术方案根据以上公式设置初始隐藏层节点数为12。
对于激活函数来说，本发明可以使用的隐藏层激活函数有：sigmoid函数、tanh函数和ReLU函数。本发明技术方案初始设置可以用ReLU进行训练，在以后的训练中可以改用Sigmoid激活函数进行测试，若预测结果较ReLU更好，就改用Sigmoid函数。
S13、将股票预测价格导入至预设的规则中，获得最优投资组合比例。
在本说明书实施例中，云端服务器对最优神经网络所得出的股票预测价格进行计算，评估投资组合的收益与风险即可获得最优投资组合比例。
作为优选实施例，“对股票历史价格数据进行预处理”具体包括：
读取股票历史价格数据的csv文件，将csv文件以DataFrame类型保存并将含有空值的行进行删除，获得可使用股票历史数据；
将可使用股票历史数据按照预设的比例分为训练数据和测试数据；
对训练数据与测试数据进行取均值、归一化。
在本说明书实施例中，在数据预处理中，本发明技术的数据清洗主要是读取股票数据的csv文件，以DataFrame类型保存。由于股票的数据包含很多列，例如日期、开盘价、最高价、成交量、涨跌幅、5日均价、5日均量等，因此读取时只选择所需要的列进行提取，然后将日期列转化为星期，加入到本发明技术方案的数据中作为一项输入特征。将含有空值的行进行删除，将所有获取的股票历史数据分为训练数据和测试数据，比例初始设置为7:3（在本发明技术实施中可进行调整比例调整），并对数据进行去均值和归一化。
其中，去均值是一种数据预处理方式，对每个特征都减去该特征的均值，可将所有的输入数据都中心化到0。归一化的目的是使所有维度的数据都在同一个变化幅度上，由于本发明技术所选取的输入特征有开盘价、收盘价、最高价、最低价、成交量、星期等6种输入特征，各维度幅度变化非常大，因此需对数据进行归一化。本文使用的归一化公式如下：
利用归一化公式可以将所有数据按比例缩小到[0，1]区间内，以减小各维度幅度变化。
作为优选实施例，“将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格”具体包括：
将处理后数据导入训练神经网络中，通过反向传播求解训练神经网络参数梯度；
根据参数梯度优化训练神经网络的参数，获得优化神经网络；
判断优化神经网络的迭代次数是否达到最大值，若达到最大值，则判断优化神经网络的预测误差是否在预设范围内，若未达到最大值，则重新将处理后数据导入训练神经网络中再次训练；
若预测误差不在预设范围内，则重新将处理后数据导入训练神经网络中再次训练，若预测误差在预设范围内，则将优化神经网络作为最优神经网络模型，并将处理后数据导入最优神经网络模型，获得股票预测价格。
在本说明书实施例中，正确选取一组有效的输入特征对神经网络模型的学习来说至关重要。而衡量股价波动的指标有很多，其中包括股票开盘价、成交量、当天最最高价、涨跌幅、收盘价、价格变动、换手率等，共几十个。因为神经网络的训练时间会随着输入特征数的增加呈指数增长，如果将所有的指标都作为神经网络模型的输入特征，则该模型将很难承受如此大量的计算，且时间也会大大增加。因此，本发明技术方案使用「当天开盘价」，「收盘价」，「成交量」，「当天最高价」，「当天最低价」作为初始输入特征。另外，从实证研究发现一系列股市异象（如星期一效应、周末效应等），因此本发明技术方案也将「星期」的量化数据列入神经网络模型的输入特征里参与训练，预测次日的收盘价作为模型的输出值。也就是说，本发明技术方案的神经网络初始输入节点数为6，输出节点数为1。本发明技术方案在神经网络模型训练时，也可以允许额外加入其它影响股票价格波动的特征作为输入节点，以观察其它特征对训练的影响。
神经网络学习过程可以分为两步，分别为信号的正向传播与误差反向传播。正向传播主要是用到：A=XW+B 的矩阵算法公式，其中A表示下一层的节点值矩阵，X表示上一层输入值矩阵，W表示两层之间的权重矩阵，B表示两层之间的偏置矩阵。矩阵算法计算出数值后，再进行激活函数激活，接着往下传播，直至输出层，最后将输出信号和实际信号导入到损失函数中计算误差。误差反向传播是从附图2右下角的1开始进行，用1去乘每个局部的导数，往前推导到x的导数，亦即是利用微积分的链式法则(Chain Rule)求解未知数的导数。神经网络完成一遍正向传播求解损失函数的过程，便可以利用反向传播求解权重和偏置的梯度，以更新神经网络的信号参数值，缩减损失函数的值，提高本发明优化算法的准确度。
本发明技术方案的参数正则化强度初始设置为0.1，学习率初始设置为0.1，并且将迭代次数初始设置为5000次。神经网络训练目的是寻找最优网络参数，使损失函数的值尽可能的小。可以使用随机梯度下降（SGD）的方式进行网络参数更新，SGD是朝着梯度方向只前进一定距离的简单方法。
另外，神经网络训练也可以使用动量（Momentum）梯度下降算法寻找最优网络参数，其中动量（Momentum）是之前所有梯度的指数加权平均值，利用动量对网络参数进行修改。对权重和偏置的调整修改将不只取决于当前的梯度，而是跟之前历史数据的所有梯度都有关系，而且数据的时间越靠近，梯度所占权重就越大，而较早期数据的梯度所占的权重就越小。
作为优选实施例，“将股票预测价格导入至预设的规则中，获得最优投资组合比例”具体包括：
获取股票预测价格，根据股票预测价格与股票历史价格数据得到股票期望收益值；
根据股票期望收益值确定股票的标准差、协方差；
根据标准差、协方差确定最优投资组合比例。
在本说明书实施例中，本发明技术方案构成投资组合收益率的总期望收益公式，以投资比例作为权值。假设投资者投资于n支股票的所有比例为，其中表示投资于第i支股票的资金占总资金的比例，所以满足以下等式 。构成本发明技术方案投资组合的总期望收益公式如下：
其中为第i支股票的期望收益率，为股票投资组合的总期望收益率。
本发明技术方案的投资组合风险用方差来表示，包括每支股票的方差和股票间的协方差，方差是指各股票间收益率的协方差，以此来刻画投资组合的总体风险。单只股票的风险用其收益率的标准差或方差来计算。如果和的协方差 ，则投资组合的风险应满足下列公式：
其中股票间的协方差采用如下公式：
图2示出了根据本发明一实施例的一种通过感知系统进行交通法规提示的装置的结构，包括：
获取模块21：获取股票历史价格数据，对股票历史价格数据进行预处理，获得处理后数据；
处理模块22：将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格；
运算模块23：将股票预测价格导入至预设的规则中，获得最优投资组合比例。
作为优选实施例，“对股票历史价格数据进行预处理”具体包括：
处理模块22：读取股票历史价格数据的csv文件，将csv文件以DataFrame类型保存并将含有空值的行进行删除，获得可使用股票历史数据；
将可使用股票历史数据按照预设的比例分为训练数据和测试数据；
对训练数据与测试数据进行取均值、归一化。
作为优选实施例，“将处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格”具体包括：
处理模块22：将处理后数据导入训练神经网络中，通过反向传播求解训练神经网络参数梯度；
根据参数梯度优化训练神经网络的参数，获得优化神经网络；
判断优化神经网络的迭代次数是否达到最大值，若达到最大值，则判断优化神经网络的预测误差是否在预设范围内，若未达到最大值，则重新将处理后数据导入训练神经网络中再次训练；
若预测误差不在预设范围内，则重新将处理后数据导入训练神经网络中再次训练，若预测误差在预设范围内，则将优化神经网络作为最优神经网络模型，并将处理后数据导入最优神经网络模型，获得股票预测价格。
作为优选实施例，“将股票预测价格导入至预设的规则中，获得最优投资组合比例”具体包括：
运算模块23：获取股票预测价格，根据股票预测价格与股票历史价格数据得到股票期望收益值；
根据股票期望收益值确定股票的标准差、协方差；
根据标准差、协方差确定最优投资组合比例。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同的实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求的保护的实施例的任意之一都可以以任意的组合方式来使用。
本领域普通技术人员可以理解：以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种股市量化投资的金融科技人工智能优化方法，其特征为，包括：
获取股票历史价格数据，对所述股票历史价格数据进行预处理，获得处理后数据；
将所述处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格；
将所述股票预测价格导入至预设的规则中，获得最优投资组合比例。
2.根据权利要求1所述的一种股市量化投资的金融科技人工智能优化方法，其特征为，“对所述股票历史价格数据进行预处理”具体包括：
读取所述股票历史价格数据的csv文件，将所述csv文件以DataFrame类型保存并将含有空值的行进行删除，获得可使用股票历史数据；
将所述可使用股票历史数据按照预设的比例分为训练数据和测试数据；
对所述训练数据与所述测试数据进行取均值、归一化。
3.根据权利要求1所述的一种股市量化投资的金融科技人工智能优化方法，其特征为，“将所述处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格”具体包括：
将所述处理后数据导入训练神经网络中，通过反向传播求解所述训练神经网络参数梯度；
根据所述参数梯度优化所述训练神经网络的参数，获得优化神经网络；
判断所述优化神经网络的迭代次数是否达到最大值，若达到最大值，则判断所述优化神经网络的预测误差是否在预设范围内，若未达到最大值，则重新将所述处理后数据导入训练神经网络中再次训练；
若所述预测误差不在预设范围内，则重新将所述处理后数据导入训练神经网络中再次训练，若所述预测误差在预设范围内，则将所述优化神经网络作为最优神经网络模型，并将所述处理后数据导入所述最优神经网络模型，获得股票预测价格。
4.根据权利要求1所述的一种股市量化投资的金融科技人工智能优化方法，其特征为，“将所述股票预测价格导入至预设的规则中，获得最优投资组合比例”具体包括：
获取所述股票预测价格，根据所述股票预测价格与所述股票历史价格数据得到股票期望收益值；
根据所述股票期望收益值确定股票的标准差、协方差；
根据所述标准差、协方差确定最优投资组合比例。
5.一种股市量化投资的金融科技人工智能优化装置，其特征为，包括：
获取模块：获取股票历史价格数据，对所述股票历史价格数据进行预处理，获得处理后数据；
处理模块：将所述处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格；
运算模块：将所述股票预测价格导入至预设的规则中，获得最优投资组合比例。
6.根据权利要求5所述的一种股市量化投资的金融科技人工智能优化装置，其特征为，“对所述股票历史价格数据进行预处理”具体包括：
处理模块：读取所述股票历史价格数据的csv文件，将所述csv文件以DataFrame类型保存并将含有空值的行进行删除，获得可使用股票历史数据；
将所述可使用股票历史数据按照预设的比例分为训练数据和测试数据；
对所述训练数据与所述测试数据进行取均值、归一化。
7.根据权利要求5所述的一种股市量化投资的金融科技人工智能优化装置，其特征为，“将所述处理后数据导入筛选获得的最优神经网络模型中，获得股票预测价格”具体包括：
处理模块：将所述处理后数据导入训练神经网络中，通过反向传播求解所述训练神经网络参数梯度；
根据所述参数梯度优化所述训练神经网络的参数，获得优化神经网络；
判断所述优化神经网络的迭代次数是否达到最大值，若达到最大值，则判断所述优化神经网络的预测误差是否在预设范围内，若未达到最大值，则重新将所述处理后数据导入训练神经网络中再次训练；
若所述预测误差不在预设范围内，则重新将所述处理后数据导入训练神经网络中再次训练，若所述预测误差在预设范围内，则将所述优化神经网络作为最优神经网络模型，并将所述处理后数据导入所述最优神经网络模型，获得股票预测价格。
8.根据权利要求5所述的一种股市量化投资的金融科技人工智能优化装置，其特征为，“将所述股票预测价格导入至预设的规则中，获得最优投资组合比例”具体包括：
运算模块：获取所述股票预测价格，根据所述股票预测价格与所述股票历史价格数据得到股票期望收益值；
根据所述股票期望收益值确定股票的标准差、协方差；
根据所述标准差、协方差确定最优投资组合比例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910762562.2A CN110490746A (zh) | 2019-08-19 | 2019-08-19 | 一种股市量化投资的金融科技人工智能优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910762562.2A CN110490746A (zh) | 2019-08-19 | 2019-08-19 | 一种股市量化投资的金融科技人工智能优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110490746A true CN110490746A (zh) | 2019-11-22 |
Family
ID=68551851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910762562.2A Pending CN110490746A (zh) | 2019-08-19 | 2019-08-19 | 一种股市量化投资的金融科技人工智能优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490746A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
| CN108460679A (zh) * | 2018-02-28 | 2018-08-28 | 电子科技大学 | 融合注意力机制的深度网络智能投资系统数据分析方法 |
| 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 |
-
2019
- 2019-08-19 CN CN201910762562.2A patent/CN110490746A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
| CN108460679A (zh) * | 2018-02-28 | 2018-08-28 | 电子科技大学 | 融合注意力机制的深度网络智能投资系统数据分析方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 宋敏等: "《证券投资分析》", 31 January 2015, 中国发展出版社 * |
| 薄建奎等著: "《财务管理基础》", 31 May 2018, 东北财经大学出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cong et al. | Deep sequence modeling: Development and applications in asset pricing | |
| Liang et al. | The analysis of global RMB exchange rate forecasting and risk early warning using ARIMA and CNN model | |
| Schmidhuber | Trends, reversion, and critical phenomena in financial markets | |
| Borowski | Testing 65 equity indexes for normal distribution of returns | |
| Bagga et al. | Stock Market Forecasting using Ensemble Learning and Statistical Indicators | |
| Ashwood | Portfolio selection using artificial intelligence | |
| CN110490746A (zh) | 一种股市量化投资的金融科技人工智能优化方法及装置 | |
| Patel et al. | Stock prediction using neural networks | |
| Nishitha et al. | Stock price prognosticator using machine learning techniques | |
| Di Graziano | Optimal trading stops and algorithmic trading | |
| Boongasame | Factors Affecting Gold Price Prediction and the Use of Deep Learning Techniques for Gold Price Prediction | |
| Mansour et al. | Predicting exchange rate by using time series multilayer perceptron | |
| Li et al. | Stock Prediction Based on Deep Learning and its Application in Pairs Trading | |
| Bertschinger et al. | Systemic Greeks: Measuring risk in financial networks | |
| Zombanakis et al. | The Greek current account deficit: is it sustainable after all? | |
| Cheng et al. | An attribute selection based classifier to predict financial distress | |
| Boonrawd et al. | Thailand Stock Index Forecasting Based on Multiple Data Sources Using RNN-LSTM Approach | |
| Timmerman | WM/Reuters fixing rate prediction for algorithmic FX trading using machine learning | |
| Hu et al. | RCURRENCY: Live Digital Asset Trading Using a Recurrent Neural Network-based Forecasting System | |
| Borchani et al. | Data-driven American Option Pricing using Artificial Neural Networks. | |
| Chen et al. | Deep neural network for optimal retirement consumption in defined contribution pension system | |
| Steinbacher | Predicting Stock Price Movement as an Image Classification Problem | |
| Igboanusi | Artificial intelligence Application to EURO-USD Forex Value prediction using LSTM Tensor flow | |
| Que | Option Pricing Using Neural Networks | |
| Spånberg et al. | Swedish Interest Rate Curve Dynamics Using Artificial Neural Networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |