CN111427935A - 量化交易指标的预测和显示方法、电子设备和介质 - Google Patents
量化交易指标的预测和显示方法、电子设备和介质 Download PDFInfo
- Publication number
- CN111427935A CN111427935A CN202010128407.8A CN202010128407A CN111427935A CN 111427935 A CN111427935 A CN 111427935A CN 202010128407 A CN202010128407 A CN 202010128407A CN 111427935 A CN111427935 A CN 111427935A
- Authority
- CN
- China
- Prior art keywords
- transaction
- quantitative
- index
- factor
- quantitative transaction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开的实施例公开了一种量化交易指标的预测和显示方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:从数据库获取待预测时间点之前的量化交易数据,其中,该量化交易数据包括:量化交易时序指标,量化交易因子值;对该量化交易数据进行预处理;将该预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示该量化交易指标,其中,该量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络。该实施方式能提升量化交易时序指标预测的准确度,并且及时有效的对待预测量化交易指标数据相应处理。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及量化交易指标的预测和显示方法、装置、电子设备和计算机可读介质。
背景技术
随着计算机科技的发展,人们希望使用计算机通过统计,运算,分析,来呈现科学的,准确的预测信息。但是目前的方法在进行数据分析,运算时,得到的结果准确率不高,而且不能根据预测出的信息作出及时有效的设备操作。
发明内容
本发明内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例的目的在于提出量化交易指标的预测和显示方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种量化交易指标的预测和显示方法,该方法包括:从数据库获取待预测时间点之前的量化交易数据,其中,上述量化交易数据包括:量化交易时序指标,量化交易因子值;对上述量化交易数据进行预处理;将上述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示上述量化交易指标,其中,上述量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络。
第二方面,本公开的一些实施例提供了一种量化交易指标的预测和显示方法,装置包括:获取单元,被配置成从数据库获取待预测时间点之前的量化交易数据,其中,上述量化交易数据包括:量化交易时序指标,量化交易因子值;预处理单元,被配置成对上述量化交易数据进行预处理。输出单元,被配置成将上述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示上述量化交易指标,其中,上述量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络。
第三方面,本公开的一些实施例提供了一种电子设备,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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
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:通过对上述量化交易数据进行预处理,使得收集到的数据不存在空值,而且将数据缩放到一个可控的范围内,方便后续的处理。通过将上述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,这里,上述量化交易指标预测模型使用了分层注意力机制,多尺度卷积操作和深度循环神经网络。从而提高了量化交易指标预测的准确度,以及通过将上述待预测时间点的量化交易指标进行实时的显示,方便了人们从量化交易指标中及时获取有效的信息。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的量化交易指标的预测和显示方法的一个应用场景的示意图;
图2是根据本公开的量化交易指标的预测和显示方法的一些实施例的流程图;
图3是根据本公开的量化交易指标的预测和显示装置的一些实施例的结构示意图;
图4是根据本公开的用于量化交易指标的预测和显示方法的一些实施例的量化交易指标预测模型示意图;
图5是根据本公开的用于量化交易指标的预测和显示方法的一些实施例的分层注意力机制示意图;
图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
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。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的一种量化交易指标的预测和显示方法的不同应用场景的示意图100。
在如图1的应用场景中所示,用户的目标可以是对第T(例如10)天的量化交易指标进行预测以及显示。首先,电子设备101从数据库获取此前T-1天的量化交易数据102,其中,上述量化交易数据包括量化交易时序指标和量化交易因子值。然后,将T-1天的量化交易数据经过预处理过程103,进而得到处理后的量化交易时序指标104和量化交易因子向量105。接着,将量化交易时序指标104和量化交易因子向量105输入至预先训练的量化交易指标预测模型106中,得到第T天的量化交易指标107。最后,将量化交易指标107向传输至显示设备109以及对量化交易指标107进行显示。
可以理解的是,一种量化交易指标的预测和显示方法可以是由电子设备来执行,或者还可以是各种软件程序来执行。其中,电子设备例如可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。此外,执行主体也可以体现为电子设备101、软件等。当执行主体为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,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中的电子设备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电子设备。
继续参考图2,示出了根据本公开的一种量化交易指标的预测和显示方法的一些实施例的流程200。该一种量化交易指标的预测和显示方法,包括以下步骤:
步骤201,从数据库获取待预测时间点之前的量化交易数据。
在一些实施例中,一种量化交易指标的预测和显示方法的执行主体(可以是图1中的电子设备101)可以通过有线连接方式或者无线连接方式访问数据库,从而得到待预测时间点之前连续一段时间内的历史量化交易数据。这里,上述执行主体可以选取一个长度为T的时间段,对第T时刻的量化交易指标进行预测时,上述执行主体获取之前T-1个时刻的量化交易数据。其中,量化交易数据可以是量化交易时序指标和量化交易因子值。在这里,量化交易时序指标是指量化交易指标按照时间顺序排列的一组数据。这里,量化交易因子可以是影响量化交易指标的因素。其中,上述的量化交易因子可以包括:反转因子,动量因子等。量化交易时序指标可以包括但不限于以下之一:股票(基金、期货)的收益率,股票(基金、期货)的收盘价,股票(基金、期货)的开盘价,股票(基金、期货)的波动率,股票(基金、期货)的收益率,股票(基金、期货)的波动率。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G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。
在一些实施例的一些可选的实现方式中,量化交易因子可以包括但不限于以下至少一项:波动因子,财务质量因子,市场预期因子,杠杆因子,估值因子,成长因子,换手率因子等。其中,财务质量因子可以是关于财务方面状况(例如财务状况亏损或者盈利)的因子。通过综合考虑以上这些因子,充分考虑了影响量化交易指标的各个因素,最终提升了量化交易指标的准确性。
步骤202,对上述量化交易数据进行预处理。
在一些实施例中,上述执行主体可以首先对收集到的量化交易数据进行初步处理,去除其中的异常值。然后,上述执行主体对量化交易因子进行取舍。在这里,上述执行主体可以选择对量化交易指标影响程度较大的因子,从而组成一个时刻的量化交易因子向量。例如,上述执行主体可以取时间点t(t∈[1,T-1])的量化交易数据,则t时刻对应的量化交易因子向量可具体表示为:xt=(f1,t,f2,t,...fp,t)。其中,xt是第t时刻的量化交易因子向量,f1,t为t时刻的第一个量化交易因子值。以此类推,fp,t为t时刻的第p个量化交易因子值。这里,在T-1时间段内,每个时刻对应着一个量化交易因子向量,则T-1个时刻对应的量化交易因子向量集合为:
(x1,x2,...xT-1)。
y1为第1个时刻的量化交易指标,进而T-1个时刻对应的量化交易时序指标为:
(y1,y2,...yT-1)。
在一些实施例的一些可选的实现方式中,上述预处理可以包括但不限于以下至少一项:缺失数据处理,因子标准化处理,因子中性化处理。其中,上述缺失数据处理可以是如果数据中出现了空值,上述执行主体可以选择直接舍弃该条记录,或者按照均值进行填充。上述因子标准化处理是将因子缩放到一个可比较的范围,例如进行max-min,z-score变换。上述因子中性化处理一般是指股票类的时序指标预测中使用,对因子进行市值中性、行业中性处理。上述max-min具体做法可以是,找出每个方案的最坏可能结果即最小值,然后选出其最坏结果中能提供最大报酬,即最大值的那个方案。它指导人们去使最小可能结果最大化。上述z-score的主要目的就是将不同量级的数据统一转化为同一个量级,统一用计算出的z-score值衡量,以保证数据之间的可比性。
步骤203,将上述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示上述量化交易指标。
在一些实施例中,上述执行主体可以经过步骤202处理后的量化交易数据输入预先训练的量化交易指标预测模型中,该模型会输出待预测时间点的量化交易指标。上述执行主体还可以控制通信连接的显示设备来显示上述量化交易指标。其中,上述量化交易指标预测模型在预测过程中使用了分层注意力机制,多尺度卷积(multi ConvolutionalNetworks)操作和深度循环神经网络,其中,上述多尺度卷积可以简写为MCN。这里,多尺度卷积操作是指上述执行主体使用多个尺度的卷积核对量化交易因子向量进行特征提取的操作。RHN(深度循环神经网络,Deep Recurrent Neural Network)是一种基于RNN(循坏神经网络,Recurrent Neural Network)扩展而来的多层次神经网络。其中,上述量化交易指标预测模型可以用于解决非线性映射F(·)。
F(·)待学习的非线性映射。
在一些实施例的一些可选的实现方式中,首先,上述执行主体可以对量化交易数据预处理后得到的量化交易因子向量,进行多尺度卷积操作,提取相邻因子之间的关联关系。从而得到高维因子向量。其中,高维因子向量相对于量化交易因子向量而言,高维因子向量的维度更大。这里,上述RHN可以分为两部分,一部分为编码器RHN,另一部分为解码器RHN。上述执行主体可以将T-1个时刻的高维因子向量输入编码器RHN中。这里,上述执行主体可以得到T-1个时刻的高维因子向量在编码器RHN的隐藏层的特征表达信息。其中,编码器RHN深度大于等于2。
接着,从上述特征表达信息中使用分层注意力机制逐层筛选出与上述T-1个时刻对应的量化交易时序指标相关的相关度序列。上述执行主体结合相关度序列和T-1个时刻对应的量化交易时序指标,可以计算出T-1个时刻对应的量化交易指标预测值。然后,上述执行主体将这T-1个时刻对应的量化交易指标预测值作为解码器RHN的输入,最终解码器RHN输出第T时刻的预测值。其中,解码器RHN的深度大于等于2。
作为示例,上述执行主体将T-1个时间点的高维因子向量的输入编码器RHN中。其中,编码器RHN深度可以为k。则上述执行主体可以得到T-1个高维因子向量在编码器RHN的k个隐藏层的特征表达信息。其中,编码器RHN在t时刻第K层的输出及中间结果可具体表示为:
Wt为第t时刻的高维因子向量。
П{k=1}为指示函数,如果k=1,那么П{k=1}的值为1,否则为0。
ht k表示在隐藏状态第t个历史时刻上第k层对应的特征组合信息。tanh为双曲正切激活函数。
接着,上述执行主体使用分层注意力机制,从上述编码器RHN的隐藏层中逐层筛选出与T-1个时刻对应的量化交易时序指标相关的相关度序列。
以下是对时间步t的相关度序列的筛选方式:
第二步:由上述第一步可以求得编码器RHN第k层的注意力机制权重可以具体表示为:
第三步:使用上一步得到权重计算出编码器RHN中第k层对应的子相关度序列。其中,第k层的子相关度序列可以具体表示为:
第四步:结合上述第三步得到编码器RHN中每一层的子相关度序列,从而可以计算出编码器RHN中k个隐藏层对应的k个子相关度序列。然后,将k个子相关度序列融合,则可得到关于时间步t的相关度序列,可具体表示为:
其中,dt是关于时间步t的相关度序列,向量dt是与时间相关的,在每个解码时间步长中选择最重要的编码器输出信息。
然后,上述执行主体可以将依据上述时间步t对应的相关度序列dt,再结合量t历史时刻对应的量化交易时序指标,进而预测出时间步t对应的量化交易指标预测值,时间步t对应的量化交易指标预测值可以由如下公式得到:
通过上一步我们可以得到也就是解码器RHN对应的第t个时间步第k层的输出,类似的,我们还可以得到第T-1个时间步的最后,我们通过第T-1个时间步对应的以及对应的相关度序列,进而预测出T时刻量化交易指标取值,T时刻量化交易指标取值可以具体表示为:
其中,W、V、b为待学习参数。
在这里,上述量化交易指标预测模型的训练方法包括但不限于一下至少一项:随机梯度下降优化器方法、Adam优化器方法、Adadelta优化器方法和自动调参方法。训练RHN模型的结束条件为损失函数收敛程度满足预定要求。其中,损失函数为预测控制方案数据和实际控制方案数据的均方误差。通过使用上述方法可以对待预测时间点的量化交易数据完成准确的预测。
在一些实施例的一些可选的实现方式中,上述执行主体可以对T-1时间段内的量化交易因子向量进行一维多尺度卷积操作。其中,上述一维多尺度卷积操作可以是对每个时刻的量化交易因子向量使用多个不同尺寸(例如,(q*1)的卷积核,q可以取2,3,4,N,一般取N等于6)的一维卷积核进行卷积运算。然后,将卷积运算后的结果经过激活函数(例如,Relu函数)。如下公式,通过一次卷积核可以得到新的量化交易向量为:
hmcnk,q=Relu(Wmcnk,q*xt+bmcnk,q)。
其中,hmcnk,q是第q次卷积后得到的结果。
Relu(x)是线性修正单元神经元的激活函数。
xt是第t时刻的量化交易因子向量。
Wmcnk,q为指待学习的卷积矩阵。
bmcnk,q为学习的卷积的偏移量。
接着,将多个卷积核的运算结果进行级联(级联是指在计算机科学里指多个对象之间的映射关系,建立数据之间的级联关系提高管理效率),从而得到级联后的因子向量。其中,每个卷积核相当于一个滤波器。上述Relu函数是线性修正单元神经元的激活函数,Relu函数可加速梯度下降以及反向传播,避免梯度急剧升高或减少的问题。上述执行主体将级联后的因子向量和原始的量化交易因子向量进行连接,从而生成这一时刻的高维因子向量。例如,如下公式,这一时刻的高维因子向量可以具体表示为:
Wt=concat(Xt,hmcnk,2…hmcnk,N)。
其中,Wt是第t时刻的高维因子向量。
hmcnk,2是第2次卷积后的结果。
hmcnk,N是第N次卷积后的结果。
通过使用多尺度卷积操作,可以对相邻的因子之间的关系进行提取,从而生成新的复杂因子,综合考虑多种因子,将会提升量化指标预测的准确度。
可选的,上述执行主体响应于上述量化交易指标标的值达到预定阈值,将上述量化交易指标发送给专用的交易执行设备并自动控制其完成预定的操作。其中,专用的交易执行设备(例如计算机)可以是与上述执行主体通信连接的设备,可以根据接收到的量化交易指标进而完成预定的操作。作为示例,专用的交易执行设备还可以是绘图打印设备,可以根据接收到的量化交易指标进行显示有量化交易指标的纸件的打印,或者对有量化交易指标进行图形化存储。这里,实现了信息的预测和设备的自动化控制的一体化的操作,这样的实现方式无需人工干预,减少了时间成本,人力资源成本。并且,可以在更短时间内完成大量的打印操作或者存储操作,进一步提高了设备的工作效率。再例如,当上述执行主体输出待预测时间的量化交易指标值是股票价格,上述执行主体可以将该量化交易指标值发送至专用的交易执行设备,专用的交易执行设备会依据股票价格完成相应的操作。例如,当股票价格大于80时,专用的交易执行设备可以执行买进操作;相应的,当股票价格小于80时,专用的交易执行设备会执行继续等待操作。由此,专用的交易执行设备可以立即响应不断变化的量化交易指标,并且自动完成预定的操作。
在一些实施例的一些可选的实现方式中,上述执行主体首先会判断得到的待预测指标是否大于系统内的预定阈值,如果大于预定阈值,执行主体会把当前数据放入数据库(例如,mysql数据库),进而保存信息以及将上述待预测时间点的量化交易数据发送给指定用户。其中,发送的方式可以是邮箱,短信等。如果不大于预定阈值,则执行主体往往会把当前数据放入数据库,进而保存信息,便于以后对数据的分析。这样一来保证了预测指标可以及时被用户所熟知。
由上述示例可以看出,通过对上述量化交易数据进行预处理,使得收集到的数据不存在空值,而且将数据缩放到一个可控的范围内,方便后续的处理。通过深度学习网络将上述量化交易因子向量转化为高维因子向量,增加了变量间的依赖关系。通过将上述高维因子向量和上述量化交易时序数据输入到预先训练好的模型中,输出上述待预测时间点的量化交易指标,提高了量化交易指标预测的准确度,通过将上述待预测时间点的量化交易指标进行实时的显示,方便了人们从信息中及时获取有效的信息。
进一步参考图3,作为对上述各图上述方法的实现,本公开提供了一种量化交易指标的预测和显示装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的一种量化交易指标的预测和显示装置300包括:获取单元,被配置成从数据库获取待预测时间点之前的量化交易数据,其中,上述量化交易数据包括:量化交易时序指标,量化交易因子值;预处理单元,被配置成对上述量化交易数据进行预处理。输出单元,被配置成将上述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示上述量化交易指标,其中,上述量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络。
继续参考图4,示出了根据本公开的用于量化交易指标的预测和显示方法的另一些实施例的网络模型训练图400,该量化交易指标的预测和显示方法的模型预测过程,包括:
第一步,将T-1时刻对应的T-1个量化交易因子向量401,分别通过多尺度卷积402,进而得到T-1个高维因子向量。
第二步,将T-1个高维因子向量按照时间顺序输入编码器RHN_403中,得到高维因子向量在编码器RHN_403中每个隐藏层的特征表达信息。
第三步,使用分层注意力机制406从特征表达信息中,逐层筛选出与量化交易时序指标405相关的相关度序列。例如,时间步t对应的相关度序列序列可以为Ct408,可以使用解码器RHN_404中的St-1407和编码器RHN中对应的隐藏状态(图中未标出)来计算出。
第四步,结合量化交易时序指标405和第三步筛选出的相关度序列,分别预测出T-1个时刻对应的量化交易指标预测值。
继续参考图5,示出了根据本公开的用于量化交易指标的预测和显示方法的一些实施例的分层注意力机制示意图500,该分层注意力机制的筛选过程,包括:
这里,以筛选时间步t的相关度序列为例,则注意力集中机制在时间步t的筛选过程如下:
第一步,通过编码器RHN中第一层501的隐藏状态和对应的解码器RHN中的St-1502可以得到第一层的子相关度序列1,如附图标记503所示。
第二步,以第一步为例,以此类推,利用第k层504的隐藏状态和解码器RHN中的St- 1502则可以得到第k层的子相关度序列k,如附图标记505所示。
第三步,结合K个子相关度系列,最终得到时间步t对应的相关度序列Ct,如附图标记506所示。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线606。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如存储卡等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:从数据库获取待预测时间点之前的量化交易数据,其中,上述量化交易数据包括:量化交易时序指标,量化交易因子值;对上述量化交易数据进行预处理;将上述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示上述量化交易指标,其中,上述量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络。
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一些实施例的操作的计算机程序代码,上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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、预处理单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“从数据库获取待预测时间点之前的量化交易数据的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些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,本公开的实施例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的实施例中公开的(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 (10)
1.一种量化交易指标的预测和显示方法,包括:
从数据库获取待预测时间点之前的量化交易数据,其中,所述量化交易数据包括:量化交易时序指标,量化交易因子值;
对所述量化交易数据进行预处理;
将所述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示所述量化交易指标,其中,所述量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于所述量化交易指标达到预定阈值,将所述量化交易指标发送给通信连接的交易执行设备以及控制所述交易执行设备完成预定的操作,其中,所述交易执行设备包括以下至少一项:绘图设备,打印设备,存储设备。
3.根据权利要求1所述的方法,其中,所述方法还包括:
确定所述量化交易指标是否大于预定阈值;
响应于大于预定阈值,将所述量化交易指标存入通信连接的数据库以及发送给指定用户终端;
响应于不大于预定阈值,将所述量化交易指标存入通信连接的数据库。
4.根据权利要求1所述的方法,其中,所述将所述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,包括:
将对量化交易数据预处理后得到的量化交易因子向量进行多尺度卷积操作,得到高维因子向量;
将所述高维因子向量输入深度循环神经网络中,得到所述高维因子向量在预定数量层的特征表达信息,其中,所述深度循环神经网络的深度大于等于2;
使用所述分层注意力机制,从所述特征表达信息中逐层筛选出与预处理后的量化交易时序指标相关的相关度序列;
基于所述预处理后的量化交易时序指标和所述相关度序列,得到待预测时间点的量化交易指标。
5.根据权利要求4所述的方法,其中,所述将对量化交易数据预处理后得到的量化交易因子向量进行多尺度卷积操作,得到高维因子向量,包括:
使用至少一个卷积核对所述预处理后量化交易因子向量进行一维卷积,得到至少一个卷积结果;
将所述至少一个卷积结果与所述量化交易因子向量连接,得到高维因子向量。
6.根据权利要求1所述的方法,其中,所述预处理包括以下至少一项:缺失数据处理,因子标准化,因子中性化。
7.根据权利要求1-6之一所述的方法,其中,所述量化交易因子包括以下至少一项:波动因子,财务质量因子,市场预期因子,杠杆因子,估值因子,成长因子,换手率因子。
8.一种量化交易指标的预测和显示装置,包括:
获取单元,被配置成从数据库获取待预测时间点之前的量化交易数据,其中,所述量化交易数据包括:量化交易时序指标,量化交易因子值;
预处理单元,被配置成对所述量化交易数据进行预处理。
输出单元,被配置成将所述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示所述量化交易指标,其中,所述量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络。
9.一种电子设备,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;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128407.8A CN111427935B (zh) | 2020-02-28 | 2020-02-28 | 量化交易指标的预测和显示方法、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128407.8A CN111427935B (zh) | 2020-02-28 | 2020-02-28 | 量化交易指标的预测和显示方法、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111427935A true CN111427935A (zh) | 2020-07-17 |
CN111427935B CN111427935B (zh) | 2023-05-30 |
Family
ID=71547245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010128407.8A Active CN111427935B (zh) | 2020-02-28 | 2020-02-28 | 量化交易指标的预测和显示方法、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111427935B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140058977A1 (en) * | 2012-08-23 | 2014-02-27 | Kuo-Tsai Hu | Method, System, and Computer Program Product for Evaluating Securities Value |
CN108154435A (zh) * | 2017-12-26 | 2018-06-12 | 浙江工业大学 | 一种基于循环神经网络的股指价格预测方法 |
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 |
CN108629690A (zh) * | 2018-04-28 | 2018-10-09 | 福州大学 | 基于深度强化学习的期货量化交易系统 |
CN109345050A (zh) * | 2018-08-01 | 2019-02-15 | 平安科技(深圳)有限公司 | 一种量化交易预测方法、装置及设备 |
CN109472700A (zh) * | 2018-11-20 | 2019-03-15 | 中山大学 | 股票价格的预测方法、服务器及存储介质 |
CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
CN110047002A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种基于数据分析的期货推荐方法及系统 |
CN110334881A (zh) * | 2019-07-17 | 2019-10-15 | 深圳大学 | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法,装置及服务器 |
CN110390408A (zh) * | 2018-04-16 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 交易对象预测方法和装置 |
-
2020
- 2020-02-28 CN CN202010128407.8A patent/CN111427935B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140058977A1 (en) * | 2012-08-23 | 2014-02-27 | Kuo-Tsai Hu | Method, System, and Computer Program Product for Evaluating Securities Value |
CN108154435A (zh) * | 2017-12-26 | 2018-06-12 | 浙江工业大学 | 一种基于循环神经网络的股指价格预测方法 |
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 |
CN110390408A (zh) * | 2018-04-16 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 交易对象预测方法和装置 |
CN108629690A (zh) * | 2018-04-28 | 2018-10-09 | 福州大学 | 基于深度强化学习的期货量化交易系统 |
CN109345050A (zh) * | 2018-08-01 | 2019-02-15 | 平安科技(深圳)有限公司 | 一种量化交易预测方法、装置及设备 |
CN109472700A (zh) * | 2018-11-20 | 2019-03-15 | 中山大学 | 股票价格的预测方法、服务器及存储介质 |
CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
CN110047002A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种基于数据分析的期货推荐方法及系统 |
CN110334881A (zh) * | 2019-07-17 | 2019-10-15 | 深圳大学 | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法,装置及服务器 |
Non-Patent Citations (1)
Title |
---|
陈希远等: "基于联合特征学习的多尺度卷积神经网络在外汇交易市场中的应用", 《计算机与现代化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111427935B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191791B (zh) | 基于机器学习模型的图片分类方法、装置及设备 | |
Arévalo et al. | High-frequency trading strategy based on deep neural networks | |
US11222262B2 (en) | Non-Markovian control with gated end-to-end memory policy networks | |
US9336494B1 (en) | Re-training a machine learning model | |
CN110766142A (zh) | 模型生成方法和装置 | |
Stone | Calibrating rough volatility models: a convolutional neural network approach | |
US11694165B2 (en) | Key-value memory network for predicting time-series metrics of target entities | |
US11574096B1 (en) | Systems and methods for time series simulation | |
CN110490304B (zh) | 一种数据处理方法及设备 | |
Srivastava et al. | Stock market prediction using RNN LSTM | |
KR102284440B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
CN111427935B (zh) | 量化交易指标的预测和显示方法、电子设备和介质 | |
Raipitam et al. | Comparative study on stock market prediction using generic CNN-LSTM and ensemble learning | |
Ceffer et al. | Trading by estimating the quantized forward distribution | |
Lee et al. | A Comparison of Machine Learning Models for Currency Pair Forecasting | |
CN113469399A (zh) | 业务预测方法及装置 | |
US20200051175A1 (en) | Method and System for Predicting and Indexing Probability of Financial Stress | |
CN111429272B (zh) | 自动生成量化交易因子及重要性评判的方法、装置 | |
KR102311108B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
US20230401416A1 (en) | Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action | |
Vora et al. | Stock Price Prediction using LSTM | |
Ingle et al. | AlgoB–Cryptocurrency price prediction system using LSTM | |
Etukuru | Forecasting the Stock Prices Using Machine Learning, Deep Learning, and Reinforcement Learning | |
Jarrah | Time Series Prediction Analysis of Long Short Term Memory Models | |
AlHakeem et al. | Iraqi Stock Market Prediction Using Hybrid LSTM and CNN Algorithm |
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 |