CN111402042B - 一种用于股市大盘形态分析的数据分析与显示方法 - Google Patents
一种用于股市大盘形态分析的数据分析与显示方法 Download PDFInfo
- Publication number
- CN111402042B CN111402042B CN202010097790.5A CN202010097790A CN111402042B CN 111402042 B CN111402042 B CN 111402042B CN 202010097790 A CN202010097790 A CN 202010097790A CN 111402042 B CN111402042 B CN 111402042B
- Authority
- CN
- China
- Prior art keywords
- node
- stock market
- data
- sample
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000002860 competitive effect Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 238000005295 random walk Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010224 classification analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000007704 transition 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了一种用于股市大盘形态分析的数据分析与显示方法。该方法的一具体实施方式包括：输入股市大盘样本数据，生成股市大盘样本数据的特征，利用卷积神经网络生成低维特征，基于低维特征利用竞争性神经网络生成样本节点，基于样本节点生成节点关系网络，利用聚类方法，基于节点关系网络确定股市大盘样本数据的输出类别。该方法利用竞争性神经网络计算样本节点以及利用马尔可夫聚类方法计算数据类别，能够自适应的获取数据类别信息，为判断股市大盘形态提供依据。
Description
技术领域
本公开实施例涉及计算机技术领域，具体涉及计算机数据分析技术领域。
背景技术
数据挖掘是指从大量数据中获取有效的、潜在有用且最终可以理解的知识或模式的过程，数据分类则是数据挖掘中一项非常重要的工作，目的是确定数据的类别。绝大多数数据分类方法都对时间很敏感，这一类随着时间推移通过反复测量而得到的数值或事件序列称为序列数据，例如股票市场的数据。将序列数据输入到分类方法或模型中，捕获数据中的类别信息，能够为判断序列数据形态提供依据。
现有数据分类方法采用欧式距离直接计算特征相似度，存在失效的可能性。对于序列数据进行分类时，如果利用全局信息则存在使用未来信息的风险，从而影响分类效果。此外，如果需要预先指定类别数量或分类规则，就无法做到自适应分类处理。
发明内容
本公开实施例提出了一种用于股市大盘形态分析的数据分析与显示方法。
第一方面，本公开实施例提供了一种用于股市大盘形态分析的数据分析与显示方法，该方法包括：获取股市大盘样本数据，其中，股市大盘样本数据为序列数据；生成股市大盘样本数据的特征；将股市大盘样本数据的特征输入预先训练的卷积神经网络，得到输出作为低维特征；基于低维特征，利用竞争性神经网络生成样本节点；基于样本节点，生成节点关系网络；利用聚类方法，基于节点关系网络确定股市大盘样本数据的输出类别以及控制通信连接的显示设备显示输出类别。
在一些实施例中，一种用于股市大盘形态分析的数据分析与显示方法还包括：响应于股市大盘样本数据的输出类别是预定类别，将输出类别发送至支持报警的设备，控制设备发出警报信息。
在一些实施例中，卷积神经网络预先通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本数据和预先得到的样本低维特征；确定初始卷积神经网络的网络结构以及初始化初始卷积神经网络的网络参数；利用机器学习方法，将训练样本集合中的训练样本包括的样本数据确定为初始卷积神经网络的输入，将与输入的样本数据对应的预先得到的样本低维特征确定为初始卷积神经网络的期望输出，训练得到卷积神经网络。
在一些实施例中，基于低维特征，利用竞争性神经网络生成样本节点，包括：基于低维特征，利用竞争性神经网络生成股市大盘样本数据的类别标签；将股市大盘样本数据的类别标签确定为样本节点。
在一些实施例中，基于样本节点，生成节点关系网络，包括：基于样本节点，生成节点关系网络中的节点；生成节点关系网络中的边，其中，边表示不同节点之间的关系，边的权重为不同节点间的累计连接次数。
在一些实施例中，利用聚类方法，基于节点关系网络确定股市大盘样本数据的输出类别，包括：基于节点关系网络，生成节点概率矩阵；基于节点概率矩阵，利用聚类算法生成节点概率矩阵中的环路簇类；基于环路簇类，确定股市大盘样本数据的输出类别。
在一些实施例中，基于节点概率矩阵，利用聚类算法生成节点概率矩阵中的环路簇类，包括：基于马尔可夫随机游走规则，自适应生成节点概率矩阵中的环路簇类，其中，每个环路簇类代表一种股市大盘样本数据的输出类别。
第二方面，本公开实施例提供了一种终端设备，该终端设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
本公开实施例提供一种用于股市大盘形态分析的数据分析与显示方法，输入股市大盘样本数据，生成股市大盘样本数据的特征，利用卷积神经网络提取低维特征，基于低维特征利用竞争性神经网络生成样本节点，基于样本节点生成节点关系网络，利用聚类方法确定股市大盘样本数据的输出类别。
本公开的上述各个实施例中的一个实施例具有如下有益效果：基于股市大盘数据所具有的丰富的数据特征，利用卷积神经网络进行降维处理并提取数据低维特征，能够保证所提取的低维特征有效以及不包含任何未来信息。基于低维数据特征训练竞争性神经网络，生成数据的样本节点。将样本节点生成节点关系网络后输入马尔可夫聚类算法中，自适应生成数据的输出类别。该方法不需要预先知道股市大盘数据的类别数量，也不需要人工设定类别数量，能够自适应的输出股市大盘数据的类别信息，因为上述类别信息与股市大盘形态情况相关，所以类别信息能够为判断股市大盘形态提供依据，从而本公开为用户判断股市大盘形态提供了便利。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一些实施例可以应用于其中的示例性系统的架构图；
图2是根据本公开的用于股市大盘形态分析的数据分析方法的一些实施例的流程图；
图3是根据本公开的用于生成低维特征的方法的另一些实施例的流程图；
图4是根据本公开的用于确定输出类别的方法的另一些实施例的流程图；
图5是适于用来实现本公开的一些实施例的终端设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于股市大盘形态分析的数据分析方法的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如文本处理应用、数据分析应用、自然语言处理应用、问答系统应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种终端设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供股市大盘数据输入、对话语音输入、文本输入等)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、 102、103输入的数据进行分析，并输出数据类别的分析服务器，或者是对终端设备101、102、103输入的文本进行处理，并输出文本关键词的分析服务器等。数据分析服务器可以对接收到的数据进行分类分析等处理，并将处理结果(例如数据类别)反馈给终端设备。
需要说明的是，本公开实施例所提供的用于股市大盘形态分析的数据分析方法一般由服务器105执行，相应地，用于最终显示股市大盘数据形态的装置一般设置于服务器105中。
需要指出的是，服务器105的本地也可以直接存储数据，服务器 105可以直接提取本地的数据通过分类分析处理得到股市大盘数据的形态分析结果，此时，示例性系统架构100可以不包括终端设备101、 102、103和网络104。
还需要指出的是，终端设备101、102、103中也可以安装有数据类别显示类应用，此时，用于股市大盘形态分析的数据分析方法也可以由终端设备101、102、103执行。此时，示例性系统架构100也可以不包括服务器105和网络104。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供数据类别显示服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于股市大盘形态分析的数据分析方法的一些实施例的流程200。该用于股市大盘形态分析的数据分析方法，包括以下步骤：
步骤201，获取股市大盘样本数据。
在一些实施例中，用于股市大盘形态分析的数据分析方法的执行主体(例如图1所示的服务器)可以获取股市大盘样本数据。上述股市大盘样本数据可以是与上述执行主体通信连接的终端设备(例如图 1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述执行主体中的，也可以是上述执行主体本地所存储的。需要指出的是，上述无线连接方式包括但不限于以下至少一项：3G/4G 连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
获取的股市大盘样本数据可以是任意序列数据。序列数据是指随着时间推移通过反复测量而得到的数值或事件的数据序列。序列数据是根据统一指标按时间顺序记录得到的，因此，在同一数据列中的各个数据是同口径的，是具有可比性的。序列数据可以是时期数，也可以时点数。时间序列分析的目的是通过找出样本内时间序列的统计特性和发展规律性，构建时间序列模型，进行样本外预测。
获取股市大盘数据，例如沪深300指数，包括但不限于以下至少一项：日线行情数据、市场资金数据。数据时间段至少包括一个熊牛周期。
步骤202，生成股市大盘样本数据的特征。
在一些实施例中，上述执行主体从股市大盘样本数据中提取特征，该特征是高维特征。高维特征中包含大量特征，其中包括与股市形态有关的特征，包括但不限于以下至少一项：量价、情绪、动量、技术、波动、资金，也包括与股市大盘形态无关的冗余特征，包括但不限于以下至少一项：位置特征、噪声。
步骤203，将股市大盘样本数据的特征输入预先训练的卷积神经网络，得到输出作为低维特征，生成低维特征。
在一些实施例中，上述执行主体将股市大盘样本数据的特征输入预先训练的卷积神经网络，得到最终层输出。以时间为单位，将同一时间内(例如，一天24小时)的最终层输出组成一个样本，将全部时间的样本的组合确定为股市大盘样本数据的低维特征。
卷积神经网络预先通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本数据和预先得到的样本低维特征；确定初始卷积神经网络的网络结构以及初始化初始卷积神经网络的网络参数；利用机器学习方法，将训练样本集合中的训练样本包括的样本数据确定为初始卷积神经网络的输入，将与输入的样本数据对应的预先得到的样本低维特征确定为初始卷积神经网络的期望输出，训练得到卷积神经网络。
步骤204，利用竞争性神经网络生成样本节点。
在一些实施例中，上述执行主体将低维特征按照日期顺序输入预先得到的竞争性神经网络，每个低维特征所对应的股市大盘样本数据会划分至唯一对应的神经元节点。预先得到的竞争性神经网络通过如下步骤得到：确定竞争性神经网络的网络结构及参数。竞争性神经网络通过两两博弈、胜者为赢的模式确定输出，竞争性神经网络的网络结构为神经元节点和对应的权值矩阵的集合，参数为权值矩阵中的权值数值。
计算输入的低维特征与所有神经元节点之间的相似度，相似度最高的为胜出节点，该输入的低维特征归属于胜出节点。每个节点带有累计误差参数，每加入一个输入的低维特征就会更新该节点的累计误差，当累计误差超过阈值时，节点分裂产生新节点。每个输入的低维特征都执行节点的更新以及低维特征的重新划分，生成股市大盘样本数据的类别标签，将股市大盘样本数据的类别标签确定为样本节点。
步骤205，生成节点关系网络。
在一些实施例中，上述执行主体生成节点关系网络。其中样本节点为节点关系网络中的节点，对每个股市大盘样本数据按当前时间戳 (T+0)的上一个时间戳(T-1)中每个股市大盘样本数据对应的节点进行连接，其中，T表示当前时间戳，-1表示以当前时间戳向前追溯一个时间周期，时间周期为1日，+0表示当前时间戳不进行向前追溯或向后拓展。节点之间的边表示节点之间存在连接，边的权重为不同节点间存在的连接数量。
步骤206，利用聚类方法，确定输出类别以及控制通信连接的显示设备显示输出类别。
在一些实施例中，上述执行主体将节点关系网络转换为节点概率矩阵，其中，节点对应矩阵中的元素，边对应每个元素的值。将节点概率矩阵输入马尔可夫聚类算法中。马尔可夫聚类算法基于节点概率矩阵进行随机游走，自适应生成节点概率矩阵中的环路簇类，其中，每个环路簇类代表一种股市大盘样本数据的输出类别。最后马尔可夫聚类模型自适应的生成股市大盘数据的输出类别。
可选的，上述执行主体响应于所述股市大盘样本数据的输出类别是预定类别，将所述输出类别发送至支持报警的设备，控制所述设备发出警报信息。其中，支持报警的设备可以是与上述执行主体通信连接的设备，可以根据接收到的类别信息发出报警信息。例如，当上述执行主体输出的类别信息表示股市大盘波动幅度较大，将该类别信息发送至支持报警的设备时，类别信息激活设备发出警报信息。报警信息的发出，有助于缩短相应的应对操作(例如，启用银行的信息存储设备或分析设备)的反应时间，提高了应对操作的效率。本实现方式可用于股市大盘形态分析等领域，从而有利于根据股市大盘数据辅助形态分析。
图2给出的一个实施例具有如下有益效果：基于丰富的股市大盘数据特征，利用卷积神经网络进行降维处理并提取低维特征，能够保证所提取的低维特征中不包含任何冗余信息以及未来信息，满足序列数据的分类分析需要，同时能够解决高维的序列数据处理问题。基于低维数据特征训练竞争性神经网络，生成数据的样本节点。将样本节点生成节点关系网络，基于节点关系网络构建节点概率矩阵。将节点概率矩阵输入马尔可夫聚类算法中，自适应生成股市大盘数据的输出类别。该方法不需要预先知道股市大盘数据的类别数量，也不需要人工干预设定类别数量，能够自适应的输出股市大盘数据的类别信息，因为上述类别信息与股市大盘形态情况相关，所以类别信息能够为判断股市大盘形态提供依据，从而本公开为用户判断股市大盘形态提供了便利。
继续参考图3，图3示出了根据本公开的用于生成低维特征的方法的又一个实施例的流程300。该生成低维特征的处理可以包括以下步骤：
步骤301，提取股市大盘样本数据特征。
在一些实施例中，用于股市大盘形态分析的数据分析方法的执行主体(例如图1所示的服务器)针对输入的股市大盘样本数据进行分析，从中提取出能够描述股市大盘数据形态的数据特征。可以理解的是，在本实施例中输入的股市大盘样本数据为序列数据。在一定时间长度范围内的序列数据，可以包含很多特征，包括但不限于数据波动情况、数据周期变化规律等。序列数据包含不同类型的数据，不同类型的数据所具有的特征也不同。
在一些实施例的一些可选的实现方式中输入股市大盘样本数据，可以输入股市大盘日线行情数据、市场资金数据。数据时间段至少包括一个熊牛周期。对每个交易日的数据提取多种特征，包含量价、情绪、动量、技术、波动、资金等特征。
步骤302，确定初始卷积神经网络的网络结构及网络参数。
在一些实施例中，上述执行主体确定初始卷积神经网络的网络结构及网络参数。为了在提取特征的过程中不考虑未来信息，采用卷积神经网络编码器-解码器结构进行降维，将输入股市大盘样本数据特征编码成一个上下文向量。每输入一个样本，编码器部分输出最终隐层向量。可以理解的是，可以选用长短期记忆网络(LSTM，Long Short-TermMemory)。LSTM的网络结构及包含的网络参数如下。
第一步，更新网络结构信息x(t)，其中t表示时间计数，x为LSTM 中的细胞单元。选择要记忆以往的多少信息，通过遗忘门实现。状态单元是LSTM循环机制的关键，具备线性自环功能，即将早期信息直接传递到当前的状态计算中，但自环的权重由遗忘门控制，遗忘门中的sigmoid函数输出权重数值在0到1之间，遗忘门公式如下所示:
f(t)＝σ(Wfh·h(t-1)+Wfx·x(t)+bf)
其中t表示时间计数，t-1为当前计数时刻的前一个时间。x为LSTM 中的细胞单元，h为隐藏单元，b为偏置量，f为遗忘门的输出数值， W为权重，Wfh为遗忘门自环权重，Wfx为遗忘门输入权重，bf为遗忘门的偏置，x(t)为t时刻输入状态，h(t-1)表示t-1时刻的隐层信息，包含所有LSTM细胞的输出信息。
第二步，更新细胞状态s(t)，其中t表示时间计数，s为LSTM中细胞单元的状态信息。计算当前的信息中有多少是有用信息，并将有用信息存储下来，称之为输入门。输入门决定了当前的输入信息中哪些信息将会被写入到细胞记忆中。输入门和状态输入的更新方式类似于遗忘门，但自身参数不同，更新公式如下：
g(t)＝σ(Wgh·h(t-1)+Wgx·x(t)+bg)
i(t)＝σ(Wih·h(t-1)+Wix·x(t)+bi)
其中，t表示时间计数，x为LSTM中的细胞单元，h为隐藏单元，b 为偏置量，g为输入门的输出数值，W为权重，t-1为当前计数时刻的前一个时间，i表示输入门的状态。Wgh为输入门自环权重，Wgx为输入门输入权重，bg为输入门的偏置，Wih为状态输入自环权重，Wix为状态输入权重，bi为状态输入偏置，σ为控制参数。x(t)为t时刻输入状态，h(t-1)表示t-1时刻的隐层信息。
由遗忘门和输入门和状态的公式可知细胞状态更新如下。
s(t)＝f(t)*s(t-1)+g(t)*i(t)
其中，t表示时间计数，t-1为当前计数时刻的前一个时间，i表示输入门的状态，g为输入门的输出数值，f为遗忘门的输出数值，s为细胞状态。s(t-1)为前一个计数时刻的细胞状态，s(t)为当前时刻的细胞状态，f(t)为当前时刻遗忘门的输出数值，g(t)为当前时刻输入门的输出数值， i(t)为当前时刻输入门的状态。
第三步，当前细胞状态由遗忘门和输入门共同决定，通过输出门决定那些信息将被输出。首先，运行sigmoid层控制细胞状态的输出信息比例，然后将输出状态通过函数处理，将数值规范化到-1和1之间，并将其乘以输出门的sigmoid层，最终，得到决定输出门的信息，计算公式如下所示。
o(t)＝σ(Woh·h(t-1)+Wox·x(t)+bo)
h(t)＝tanh(s(t))*o(t)
其中，t表示时间计数，x为LSTM中的细胞单元，h为隐藏单元，b 为偏置量，g为输入门的输出数值，W为权重，t-1为当前计数时间时刻的前一个时间，o表示输入门的输出状态，s为细胞状态。x(t)为t 时刻输入状态，h(t-1)表示t-1时刻的隐层信息，s(t)为当前时刻的细胞状态，o(t)为当前时刻输入门的输出状态，h(t)表示t时刻的隐层信息。Woh为输出门的自环权重，Wox为输出门的输入权重，bo为输出门的偏置。
步骤303，将股市大盘样本数据特征输入初始卷积神经网络，利用机器学习方法训练，得到卷积神经网络。
在一些实施例中，上述执行主体将股市大盘样本数据特征输入到初始卷积神经网络LSTM中，利用机器学习方法对LSTM的相关参数进行训练。进行多次迭代训练后，得到最终的LSTM网络结构及对应的全部网络参数。将训练结束的LSTM作为卷积神经网络输出。
步骤304，将股市大盘样本数据特征输入卷积神经网络，生成低维特征。
在一些实施例中，上述执行主体将股市大盘样本数据特征输入到卷积神经网络中。在每一步的决策过程中，将当前时间内的股市大盘样本数据特征依次送入LSTM细胞单元中，LSTM将相关信息存储在隐藏状态中。最终隐藏层向量作为低维特征输出。
可以理解的是，最终的低维特征以样本为单位存储。在本实施例中，可以将一天内的低维特征称为一个样本。在一个时间周期内的全部低维特征以样本为单位输出，生成低维特征。
图3给出的一个实施例具有如下有益效果：提取序列股市大盘数据中的多种特征用于数据形态的分析，利用卷积神经网络对特征进行降维处理，提取低维关键信息作为低维特征，每一时间段内的低维特征称为一个样本。卷积神经网络在计算低维特征的过程中不受未来时间的信息影响。从而，本公开的一个实施例能够更好的提取应用于股市大盘数据形态分析的低维特征。
进一步参考图4，其示出了用于确定输出类别的方法的又一个实施例的流程400。该用于确定输出类别的方法的流程400，包括以下步骤：
步骤401，将低维特征输入竞争性神经网络，输出样本节点。
在一些实施例中，用于股市大盘形态分析的数据分析方法的执行主体(例如图1所示的服务器)将低维特征按照日期顺序输入预先得到的竞争性神经网络，每个低维特征所对应的股市大盘样本数据会划分至唯一对应的神经元节点。预先得到的竞争性神经网络通过如下步骤得到：确定竞争性神经网络的网络结构及参数。
计算输入的低维特征与所有神经元节点之间的相似度，相似度最高的为胜出节点，该输入的低维特征归属于胜出节点。每个节点带有累计误差参数，每加入一个输入的低维特征就会更新该节点的累计误差，当累计误差超过阈值时，节点分裂产生新节点。每个输入的低维特征都执行节点的更新以及低维特征的重新划分，生成股市大盘样本数据的类别标签，将股市大盘样本数据的类别标签确定为样本节点。通过节点的更新以及低维特征的重新划分，保证每个节点代表一类空间上紧密的股市大盘样本数据，同时，新增加的低维特征不会影响原有的节点归属，有效避免使用未来信息的问题。
向竞争性神经网络输入一个低维特征，创建一个带权重向量的样本节点，以及局部误差的零值。其中，带权重向量的样本节点用于表示输入的低维特征的分布允许范围内的维度，局部误差用于保存竞争性神经网络中当前神经元与输入特征之间的误差。通过循环迭代计算，输出样本节点。循环迭代过程由如下几步组成：
第一步，寻找和输入的低维特征x最接近的赢家神经元：在最接近低维特征x的地方找到神经元v，即带有权重向量wv的神经元节点，其中w为权重向量，wv表示神经元v对应的权重向量，使得二者在所有节点中距离值最小，即||wv-x||2值最小。
第二步，更新赢家神经元v的局部误差，更新方法是将其添加到权重向量wv与低维特征x的平方距离ev＝ev+||wv-x||2，其中w为权重向量，e表示误差，v表示神经元，ev表示对应v的误差。这一流程表明，大多数赢的节点(即近邻点中出现最大数量输入信号的那些节点) 都有最大的误差，因此，这些区域也是通过添加新节点进行“压缩”的主要备用区，本轮增加的误差，会在神经元节点分裂生长步骤中有可能被判定为误差最大的节点从而在其中插入新神经元节点。
第三步，误差积累导致样本节点分裂，如果某个低维特征加入赢家节点会导致该样本节点的最大局部误差超过设定的阈值 ev+||wv-x||2＞μ，其中w为权重向量，e表示误差，v表示神经元，ev表示对应v的误差，wv为对应v的权重，μ为阈值，则重新分裂出一个神经元新神经元，新节点的权重记为WN＝x，其中x表示低维特征， N为样本节点计数，wN为对应N的权重，累计误差初始化为0。
步骤402，基于样本节点生成节点关系网络。
在一些实施例中，上述执行主体对每个股市大盘样本数据按当前时间戳(T+0)的上一个时间戳(T-1)中每个股市大盘样本数据对应的节点进行连接，其中，T表示当前时间戳，-1表示以当前时间戳向前追溯一个时间周期，时间周期为1日，+0表示当前时间戳不进行向前追溯或向后拓展。
节点之间的边表示节点之间存在连接，边的权重为不同节点间存在的连接数量。组成一张节点关系网络。
步骤403，将节点关系网络输入聚类方法，生成输出类别。
在一些实施例中，上述执行主体将节点关系网络转换为节点概率矩阵并输入马尔可夫聚类算法进行随机游走计算出节点之间的环路。最后输出环路簇群，不需要人为规定簇群数量。位于同一簇的点，其内部的联系应当紧密，而和外部的联系则比较少。通过在一张图上进行多次的随机游走，就能够发现簇群，实现聚类。而随机游走的实现则是通过马尔可夫链得到的，马尔可夫链是指在整个状态转换的集合中，过去状态(即当期以前的历史状态)对于与预测将来(即当期以后的未来状态)是无关的，只和当前状态相关。
在本实施例中，将节点关系网络转换为节点概率矩阵。首先，输入带权值的节点图G(n)，其中n表示节点，G表示连接加权图。然后，创建节点概率矩阵M＝(ai,j)n×n，其中a表示矩阵中的值，n表示节点，i和j分别表示矩阵中的行、列计数，ai，j表示矩阵第i行、第j 列的值，M表示节点概率矩阵。
将节点概率矩阵M输入马尔可夫聚类算法进行随机游走计算出节点之间的环路簇类。游走过程包括下述步骤：
步骤一，对每个样本节点添加自循环M＝M+I，其中M表示节点概率矩阵，I表示幺矩阵，即全部元素都为1的矩阵。
步骤二，对节点概率矩阵M进行标准化处理：
其中，a表示矩阵中的值，i和j分别表示矩阵中的行、列计数，ai，j表示矩阵第i行、第j列的值，M表示节点概率矩阵，n表示行总数，E 表示标准化节点概率矩阵。标准化处理的过程就是令矩阵中的每个元素除以所在列的所有元素之和，得到该元素的值。
步骤三，计算节点概率矩阵的幂：
MP＝(ME)2
其中E表示标准化处理，P表示求幂处理，Mp表示节点概率矩阵M 的P次幂，ME表示标准化的节点概率矩阵。通过计算节点概率矩阵的幂，能够为每个样本节点增加一条自循环的边，从而使得属于同一类别的样本节点能够相互连接起来，形成一个簇类。
步骤四，对节点概率矩阵的幂矩阵进行标准化处理，
其中，a表示矩阵中的值，i和j分别表示矩阵中的行、列计数，ai，j表示矩阵第i行、第j列的值，M表示节点概率矩阵，n表示总行数，P 表示求幂处理，E表示标准化处理，Mp表示节点概率矩阵M的P次幂，表示节点概率矩阵M第i行、第j列的值的P次幂，ME表示标准化的节点概率矩阵。通过标准化处理能够增大当前幂矩阵中的数值较大的概率，以及能够减小当前幂矩阵中的数值较小的概率。
重复步骤三和步骤四，直到节点概率矩阵状态稳定不变，达到收敛。可以根据上一次和下一次结果矩阵是否相等来判断是否已经收敛。
将收敛的节点概率矩阵转换成环路簇类，每个数据聚集的行即为一个环路簇类。节点概率矩阵中的每个样本节点在哪个环路簇类中，就表示样本节点属于哪一类，从而输出样本节点对应的类别。样本节点为样本数据的类别标签，因此，能够生成股市大盘样本数据的输出类别。
图4给出的一个实施例具有如下有益效果：基于数据特征训练竞争性神经网络，生成数据的样本节点。基于样本节点生成节点关系网络后输入马尔可夫聚类算法中，自适应生成数据的输出类别。该方法不需要预先知道类别数量，也不需要人工制定聚类的规则，能够自适应的输出数据类别，为判断股市大盘数据形态提供依据。
下面参考图5，其示出了适于用来实现本公开实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505：包括硬盘等的存储部分506；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分507。通信部分507经由诸如因特网的网络执行通信处理。驱动器508也根据需要连接至I/O接口505。可拆卸介质509，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器508上，以便于从其上读出的计算机程序根据需要被安装入存储部分506。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分507从网络上被下载和安装，和/或从可拆卸介质509被安装。在该计算机程序被中央处理单元(CPU)501 执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种用于股市大盘形态分析的数据分析与显示方法，包括：
获取股市大盘样本数据，其中，所述股市大盘样本数据为序列数据；
生成所述股市大盘样本数据的特征；
将所述股市大盘样本数据的特征输入预先训练的卷积神经网络进行降维处理，得到输出作为低维特征，利用卷积神经网络进行降维处理并提取低维特征，能够保证所提取的低维特征中不包含任何冗余信息以及未来信息；
基于所述低维特征，利用竞争性神经网络生成样本节点，其中，竞争性神经网络通过如下步骤得到：确定竞争性神经网络的网络结构及参数，计算输入的低维特征与所有神经元节点之间的相似度，相似度最高的为胜出节点，该输入的低维特征归属于胜出节点，每个节点带有累计误差参数，每加入一个输入的低维特征就会更新该节点的累计误差，当累计误差超过阈值时，节点分裂产生新节点，每个输入的低维特征都执行节点的更新以及低维特征的重新划分，生成股市大盘样本数据的类别标签，将股市大盘样本数据的类别标签确定为样本节点；
基于所述样本节点，生成节点关系网络；
利用聚类方法，基于所述节点关系网络确定所述股市大盘样本数据的输出类别以及控制通信连接的显示设备显示所述输出类别；
所述方法不需要预先知道股市大盘数据的类别数量，也不需要人工干预设定类别数量，能够自适应的输出股市大盘数据的类别信息；
响应于所述股市大盘样本数据的输出类别是预定类别，将所述输出类别发送至支持报警的设备，控制所述设备发出警报信息，预定类别为表示股市大盘波动幅度较大的类别。
2.根据权利要求1所述的方法，其中，所述卷积神经网络预先通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括样本数据和预先得到的样本低维特征；
确定初始卷积神经网络的网络结构以及初始化所述初始卷积神经网络的网络参数；
利用机器学习方法，将所述训练样本集合中的训练样本包括的样本数据确定为初始卷积神经网络的输入，将与输入的样本数据对应的预先得到的样本低维特征确定为初始卷积神经网络的期望输出，训练得到所述卷积神经网络。
3.根据权利要求1所述的方法，其中，所述基于所述低维特征，利用竞争性神经网络生成样本节点，包括：
基于所述低维特征，利用竞争性神经网络生成所述股市大盘样本数据的类别标签；
将所述股市大盘样本数据的类别标签确定为样本节点。
4.根据权利要求1所述的方法，其中，所述基于所述样本节点，生成节点关系网络，包括：
基于所述样本节点，生成所述节点关系网络中的节点；
生成所述节点关系网络中的边，其中，所述边表示不同节点之间的关系，边的权重为不同节点间的累计连接次数。
5.根据权利要求1所述的方法，其中，所述利用聚类方法，基于所述节点关系网络确定所述股市大盘样本数据的输出类别，包括：
基于所述节点关系网络，生成节点概率矩阵；
基于所述节点概率矩阵，利用聚类算法生成所述节点概率矩阵中的环路簇类；
基于所述环路簇类，确定所述股市大盘样本数据的输出类别。
6.根据权利要求5所述的方法，其中，所述基于所述节点概率矩阵，利用聚类算法生成所述节点概率矩阵中的环路簇类，包括：
基于马尔可夫随机游走规则，自适应生成所述节点概率矩阵中的环路簇类，其中，每个环路簇类代表一种所述股市大盘样本数据的输出类别。
7.一种终端设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097790.5A CN111402042B (zh) | 2020-02-17 | 2020-02-17 | 一种用于股市大盘形态分析的数据分析与显示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097790.5A CN111402042B (zh) | 2020-02-17 | 2020-02-17 | 一种用于股市大盘形态分析的数据分析与显示方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111402042A CN111402042A (zh) | 2020-07-10 |
| CN111402042B true CN111402042B (zh) | 2023-10-27 |
Family
ID=71430345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010097790.5A Active CN111402042B (zh) | 2020-02-17 | 2020-02-17 | 一种用于股市大盘形态分析的数据分析与显示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402042B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114168731A (zh) * | 2021-11-29 | 2022-03-11 | 北京智美互联科技有限公司 | 互联网媒体流量安全防护方法和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6526168B1 (en) * | 1998-03-19 | 2003-02-25 | The Regents Of The University Of California | Visual neural classifier |
| CN101515363A (zh) * | 2000-10-27 | 2009-08-26 | 市场警报有限责任公司 | 实时报警的系统 |
| CN102982229A (zh) * | 2012-09-06 | 2013-03-20 | 淮阴工学院 | 一种基于神经网络的多品种商品价格预测的数据预处理方法 |
| CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
| CN108764291A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技（深圳）有限公司 | 电子装置、基于机器学习的股票择时方法及存储介质 |
| CN109242173A (zh) * | 2018-08-29 | 2019-01-18 | 天津科技大学 | 基于遗传算法改进rnn神经网络股指预测分析方法 |
| CN109360097A (zh) * | 2018-09-28 | 2019-02-19 | 中山大学 | 基于深度学习的股票预测方法、装置、设备及存储介质 |
| CN109816140A (zh) * | 2018-12-12 | 2019-05-28 | 哈尔滨工业大学（深圳） | 基于跨市场影响的股价预测方法、装置、设备及存储介质 |
| CN109919363A (zh) * | 2019-02-18 | 2019-06-21 | 上海金大师网络科技有限公司 | 金融产品的价格预测方法、装置及设备 |
| CN110400222A (zh) * | 2019-07-26 | 2019-11-01 | 华南师范大学 | 一种基于隐马尔可夫与深度学习的股市预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130304623A1 (en) * | 2012-04-18 | 2013-11-14 | The Florida State University Research Foundation, Inc. | Stock ranking & price prediction based on neighborhood model |
| US11875408B2 (en) * | 2018-04-23 | 2024-01-16 | State Street Corporation | Techniques for accurate evaluation of a financial portfolio |
-
2020
- 2020-02-17 CN CN202010097790.5A patent/CN111402042B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6526168B1 (en) * | 1998-03-19 | 2003-02-25 | The Regents Of The University Of California | Visual neural classifier |
| CN101515363A (zh) * | 2000-10-27 | 2009-08-26 | 市场警报有限责任公司 | 实时报警的系统 |
| CN102982229A (zh) * | 2012-09-06 | 2013-03-20 | 淮阴工学院 | 一种基于神经网络的多品种商品价格预测的数据预处理方法 |
| CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
| CN108764291A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技（深圳）有限公司 | 电子装置、基于机器学习的股票择时方法及存储介质 |
| CN109242173A (zh) * | 2018-08-29 | 2019-01-18 | 天津科技大学 | 基于遗传算法改进rnn神经网络股指预测分析方法 |
| CN109360097A (zh) * | 2018-09-28 | 2019-02-19 | 中山大学 | 基于深度学习的股票预测方法、装置、设备及存储介质 |
| CN109816140A (zh) * | 2018-12-12 | 2019-05-28 | 哈尔滨工业大学（深圳） | 基于跨市场影响的股价预测方法、装置、设备及存储介质 |
| CN109919363A (zh) * | 2019-02-18 | 2019-06-21 | 上海金大师网络科技有限公司 | 金融产品的价格预测方法、装置及设备 |
| CN110400222A (zh) * | 2019-07-26 | 2019-11-01 | 华南师范大学 | 一种基于隐马尔可夫与深度学习的股市预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 个股走势模式分类的RBF神经网络方法;叶东毅 等;《福州大学学报》(第4期);第12-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111402042A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gasparin et al. | Deep learning for time series forecasting: The electric load case | |
| CN110647980A (zh) | 一种基于gru神经网络的时间序列预测方法 | |
| CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
| Hassan et al. | A hybrid of multiobjective Evolutionary Algorithm and HMM-Fuzzy model for time series prediction | |
| CN113692594A (zh) | 通过强化学习的公平性改进 | |
| CN113642225A (zh) | 一种基于attention机制的CNN-LSTM短期风电功率预测方法 | |
| CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
| Ouyang et al. | Discovery and prediction of stock index pattern via three-stage architecture of TICC, TPA-LSTM and multivariate LSTM-FCNs | |
| CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
| Li et al. | Variational auto-encoders based on the shift correction for imputation of specific missing in multivariate time series | |
| CN112016616A (zh) | 一种高频金融时序序列多类别预测方法 | |
| CN113360848A (zh) | 一种时序数据预测方法及装置 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN111402042B (zh) | 一种用于股市大盘形态分析的数据分析与显示方法 | |
| Damaševičius et al. | Decomposition aided attention-based recurrent neural networks for multistep ahead time-series forecasting of renewable power generation | |
| Busari et al. | An application of AdaBoost-GRU ensemble model to economic time series prediction | |
| US20230419075A1 (en) | Automated Variational Inference using Stochastic Models with Irregular Beliefs | |
| Ferreira et al. | Data selection in neural networks | |
| Krishnapriya et al. | A survey on stock market prediction techniques | |
| Ghasvarian Jahromi et al. | Wind power prediction based on wind speed forecast using hidden Markov model | |
| Alghamdi et al. | A novel hybrid deep learning model for stock price forecasting | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
| US20220092697A1 (en) | Deep Learning from Earning Calls for Stock Price Movement Prediction | |
| Wei et al. | Stock index prices prediction via temporal pattern attention and long-short-term memory |
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 |