CN111476418A - 基于深度神经网络和多任务学习的股票数据波动预测方法 - Google Patents
基于深度神经网络和多任务学习的股票数据波动预测方法 Download PDFInfo
- Publication number
- CN111476418A CN111476418A CN202010267809.6A CN202010267809A CN111476418A CN 111476418 A CN111476418 A CN 111476418A CN 202010267809 A CN202010267809 A CN 202010267809A CN 111476418 A CN111476418 A CN 111476418A
- Authority
- CN
- China
- Prior art keywords
- features
- stock
- characteristic
- neural network
- stock data
- 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 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 10
- 239000002356 single layer Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 239000000470 constituent Substances 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
Images
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
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种基于深度神经网络和多任务学习架构的股票数据处理方法，采集股票数据，获取股票数据特征，所述股票交易数据特征包括股票交易序列特征、与股票相关的技术指标特征；对所述股票数据特征进行处理，包括特征序列化处理、特征平展化处理；基于深度学习模型对处理后的数据特征进行特征抽取，得到序列类型的特征和一般数据类型的特征；将序列类型的特征和一般数据类型的特征进行特征拼合，得到组合后的特征；构建基于多任务学习的股票数据波动模型，输入组合后的特征，对股票数据波动进行预测，输出预测结果。本发明可以进行日频甚至是更高频率的获取，有效的解决了目前很多方法中“特征数据获取困难，频率较低”等问题。
Description
技术领域
本发明涉及信息处理技术领域，特别是涉及一种基于深度神经网络和多任务学习的股票数据波动预测方法。
背景技术
在近年来的人工智能领域的技术发展中，深度学习是非常重要的一类技术领域。2006年，深度学习的概念被首次提出。相较于传统的浅层学习模型，深度学习具有更强的非线性建模能力，因此能够对更加复杂的问题进行建模和预测。深度学习的成功主要有三个方面的原因：数据积累，算力支撑，网络结构。由于信息时代的技术发展，大量的数据被积累下来，加上硬件设备发展对算力的重要支持，深度学习开始逐步发挥其优势。其中非常重要的一个方面就是网络结构的设计，为了处理不同类型的数据特征和预测问题，需要单独的对网络结构中的特征提取网络和预测网络结构进行单独的设计。目前比较常见的特征提取网络是循环神经网络和卷积神经网络，但是针对不同的问题时，需要对其进行特定的修改和优化。而预测网络层则根据预测问题的输出类型和优化目标，可分为回归预测和分类预测，单任务预测和多任务预测，单目标优化和多目标优化等。
传统对股票数据波动进行预测方法存在模型结构简单，对特征提取不充分，预测目标不够全面等缺陷或者是股票关系数据获取的难度较大，频率较低且类型规模有限，不利于在线的股票预测的问题。
发明内容
本发明的目的是提供一种基于深度神经网络和多任务学习的股票数据波动预测方法，以解决上述现有技术存在的问题，实现股票数据波动的在线预测。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于深度神经网络和多任务学习的股票数据波动预测方法，包括如下步骤：
采集股票数据，获取股票数据特征，所述股票交易数据特征包括股票交易序列特征、与股票相关的技术指标特征；
对所述股票数据特征进行处理，包括特征序列化处理、特征平展化处理；
基于深度学习模型对处理后的数据特征进行特征抽取，得到序列类型的特征和一般数据类型的特征；
将序列类型的特征和一般数据类型的特征进行特征拼合，得到组合后的特征；
构建基于多任务学习的股票数据波动模型，输入组合后的特征，对股票数据波动进行预测，输出预测结果。
优选地，进行特征抽取时：针对需要保留特征的序列性，使用长短期记忆型循环神经网络进行特征提取得到序列特征；针对平展化的特征，使用多层感知机模型进行特征提取，得到一般特征。
优选地，所述长短期记忆型循环神经网络的层数为单层，单层神经元的个数为64个，输出的输出丢弃概率为50％，最后的特征结果输出为最后一个时间步的隐层输出结果。
优选地，所述多层感知机模型的结构为4层全连接网络模型，神经元个数分别为64、128、256、64个，单层的激活函数为双曲正切函数，输出丢弃概率为50％。
优选地，所述特征序列化处理中按照日频时间序列的分布方式，将特征序列化，再按照每支股的时间维度进行特征标准化处理，将标准化处理后的数值作为特征提取模型的输入，每次按一段时间内的时间窗口取出时间序列特征。
优选地，所述标准化处理具体方法为：特征标准化处理后数值＝(特征原始数值-特征均值)/特征标准差。
优选地，所述平展化处理取出一段时间内的全部特征信息，平展化得到273维特征，然后按照样本维度对特征数值进行标准化处理。
优选地，所述平展化处理、特征序列化处理取出特征信息的时间段相同。
本发明公开了以下技术效果：本发明在股票交易序列数据和量化指标数据上同时使用了两种不同的深度神经网络结构作为特征提取模型，同时配合多任务学习方法，使得整体的预测架构更加完善。同时配合多任务学习架构实现了更为全面的预测框架，有效的解决了目前存在的方法中“模型架构过于简单”这一问题，而本发明中所使用的特征都是个股的日常交易序列特征和基本量化指标特征，这些特征可以进行日频甚至是更高频率的获取，获取的途径也非常简单快捷，有效的解决了目前很多方法中“特征数据获取困难，频率较低”等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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他的附图。
图1为本发明的流程示意图；
图2为本发明2011年到2017年沪深300指数成分股为股池进行选股逐年回测的结果图；
图3为本发明2011年到2017年中证500指数成分股为股池进行选股逐年回测的结果图；
图4为本发明2018年A股模拟测试结果图；
图5为本发明2019年A股模拟交易结果图；
图6为本发明2019年模拟交易结果中累计收益曲线图；
图7为本发明2019年模拟交易结果中月累计收益图
图8为本发明2019年模拟交易结果中每日超额收益统计图
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-8，本发明提供一种基于深度神经网络和多任务学习的股票数据波动预测方法，包括如下步骤：
步骤一，采集股票数据，获取股票数据特征，所述股票交易数据特征包括股票交易序列特征、与股票相关的技术指标特征；特征的详细描述信息如下：
每日开盘价格，为个股在单个交易日的开盘时价格；
每日收盘价格，为个股在单个交易日的收盘时价格；
每日最高价格，为个股在单个交易日内的盘中最高价格；
每日最低价格，为个股在单个交易日内的盘中最低价格；
每日前复权价格，为个股在单个交易日的收盘价格按前复权计算后的价格；
每日交易额，为个股在单个交易日内的全部交易额(交易金额总额)；
每日交易量，为个股在单个交易日内的全部交易量(笔数)；
每日价格变动值，为本个交易日较上个交易日的收盘价格变化值
每日价格变动幅度，为本个交易日较上个交易日的收盘价格变化百分比；
5日交易均价，为按照移动平均方法计算的前5个交易日的平均价格；
10日交易均价，为按照移动平均方法计算的前10个交易日的平均价格；
20日交易均价，为按照移动平均方法计算的前20个交易日的平均价格股票所在行业标注，为标注个股所在行业分类的数值，按照二级行业划分；
步骤二、在得到原始的数据特征后，按照两种方式进行数据处理，一种是特征序列化(Serialization)处理，是为了保留特征的序列性，也就是各个特征在日频时间序列上的序列关系特性；而另一方面则是特征平展化(Flatten)处理，这是为了尽可能的保留除了序列特性之外的特征信息。
1.序列化处理，按照日频时间序列的分布方式，将特征序列化，再按照每支股的时间维度进行特征标准化处理，具体方法为：
特征标准化处理后数值＝(特征原始数值-特征均值)/特征标准差
标准化处理后的数值作为特征提取模型的输入，每次按21个交易日的时间窗口取出时间序列特征。
2.平展化(Flatten)处理
取出21天内的全部特征信息，然后平展化得到273维特征，然后按照样本维度对特征数值进行如上述的标准化处理方式。
步骤三、在完成了特征的处理操作后，根据不同的特征处理特点，基于深度学习模型对处理后的数据特征进行特征抽取，得到序列类型的特征和一般数据类型的特征；针对需要保留特征的序列性，使用长短期记忆型循环神经网络进行特征提取得到序列特征，针对平展化的特征，使用多层感知机模型进行特征提取，来尽可能的保留数据特征中的其他信息，得到一般特征。
所述长短期记忆型循环神经网络的层数为单层，单层神经元的个数为64个，输出的输出丢弃概率为50％，最后的特征结果输出为最后一个时间步的隐层输出结果。
所述多层感知机模型的结构为4层全连接网络模型，神经元个数分别为64、128、256、64个，单层的激活函数为双曲正切函数，输出丢弃概率为50％。
步骤四、将序列类型的特征和一般数据类型的特征在向量空间中进行特征拼合，得到组合后的特征；
步骤五、构建基于多任务学习的股票数据波动模型，输入组合后的特征，对股票数据波动进行预测，输出预测结果。
针对输出的预测结果进行股票分数排名预测、涨跌趋势预测、超额收益幅度预测，通过优化计算上述三个指标，实现选股预测，具体如下：
在股票排名预测过程中，每只股票会得到一个预测分数，此数值被归一化到0到1之间，根据这个分数，得出股票的排名结果。在分数预测过程中，为了降低股票波动性的影响，此处对输出进行了高斯参数化处理，具体的方法如下：
个股分数＝预测均值+(-1，1)之间的随机数值×预测标准差
分数预测中会同时输出两个数值，分别代表分数均值的预测值以及标准差的预测值，再根据高斯参数的计算方式，得出最后的个股评价分数。这种的方法，使得个股的分数不再是一个固定值，而有了一定的浮动空间，在个股的收益出现波动时，排名分数可能也会出现上下浮动，但是小范围的浮动是不会对结果产生根本性影响的，也就是说这类浮动是在可以被接受的范围内的，因此，这样使得排名分数带有弹性的方法可以让模型容忍更大的数据波动，从而降低股票波动性带来的影响。
涨跌趋势预测任务的优化目标是预测涨跌的二分类任务的交叉熵。
超额收益幅度预测任务的优化目标是预测数值和真实数值之间的均方差误差。
使用中国股票数据对上述方法进行验证。以下是模型在实验过程中的输出表：
表1
表1中的数值代表该股票在排名过程中得到的“分数”，以此进行排序，即可得出需要选择的股票。在2011年到2017年的历史数据上进行了回测实验，通过模型给出的预测结果构造投资组合，考虑收益，风险，投资质量等多项评价指标，得到的综合比较结果如表2：
表2
逐年回测的结果：
(1)以全A股为股池进行选股如图2所示，以沪深300指数成分股为股池进行选股如图3所示，以中证500指数成分股为股池进行选股如图4所示，通过回测实验，可以看出，根据模型给出的结果构造的投资策略能够取得较为明显的超额收益，在多项回测指标上也表现出色，从而验证了模型的选股预测效果。为了进一步的测试方法的有效性，我们在公开的模拟交易平台上进行了模型的交易模拟实验。
2018年和2019年的模拟测试结果如表3所示：
表3
| 超额收益 | 净值收益 | 夏普指数 | 信息比率 | 最大回撤 | |
| CIL_0 | 39.50％ | 14.91％ | 0.5537 | 1.1873 | 20.69％ |
| HS300 | -24.59％ | -1.2966 | 54.35％ |
2018年的A股市场整体呈下行趋势，但是通过2018年的累计结果，本模型所给出的选股结果依然能够取得明显的超额收益，甚至是净收益。
2019年模拟交易结果：
如图6-8所示，分别是累计收益曲线，月累计收益和每日超额收益统计图。
如表4所示：2019年的A股市场较2018年有较大的缓和，整体形势向好。2019年的模拟交易中，方法给出的选股结果能够取得较为明显的超额收益，实现了Alpha选股策略的目的，同时在投资质量，收益风险等多个量化指标上也有较为突出的表现。连续两年的在线模拟交易测试，验证了本发明中所提出的选股模型在近实盘情况下的性能表现，体现了深度学习方法在这一问题上的性能表现。
表4
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于，包括如下步骤：
采集股票数据，获取股票数据特征，所述股票交易数据特征包括股票交易序列特征、与股票相关的技术指标特征；
对所述股票数据特征进行处理，包括特征序列化处理、特征平展化处理；
基于深度学习模型对处理后的数据特征进行特征抽取，得到序列类型的特征和一般数据类型的特征；
将序列类型的特征和一般数据类型的特征进行特征拼合，得到组合后的特征；
构建基于多任务学习的股票数据波动模型，输入组合后的特征，对股票数据波动进行预测，输出预测结果。
2.根据权利要求1所述的基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于：进行特征抽取时：针对需要保留特征的序列性，使用长短期记忆型循环神经网络进行特征提取得到序列特征；针对平展化的特征，使用多层感知机模型进行特征提取，得到一般特征。
3.根据权利要求2所述的基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于：所述长短期记忆型循环神经网络的层数为单层，单层神经元的个数为64个，输出的输出丢弃概率为50％，最后的特征结果输出为最后一个时间步的隐层输出结果。
4.根据权利要求2所述的基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于：所述多层感知机模型的结构为4层全连接网络模型，神经元个数分别为64、128、256、64个，单层的激活函数为双曲正切函数，输出丢弃概率为50％。
5.根据权利要求1所述的基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于：所述特征序列化处理中按照日频时间序列的分布方式，将特征序列化，再按照每支股的时间维度进行特征标准化处理，将标准化处理后的数值作为特征提取模型的输入，每次按一段时间内的时间窗口取出时间序列特征。
6.根据权利要求5所述的基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于：所述标准化处理具体方法为：特征标准化处理后数值＝(特征原始数值-特征均值)/特征标准差。
7.根据权利要求2所述的基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于：所述平展化处理取出一段时间内的全部特征信息，平展化得到273维特征，然后按照样本维度对特征数值进行标准化处理。
8.根据权利要求3所述的基于深度神经网络和多任务学习的股票数据波动预测方法，其特征在于：所述平展化处理、特征序列化处理取出特征信息的时间段相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010267809.6A CN111476418A (zh) | 2020-04-08 | 2020-04-08 | 基于深度神经网络和多任务学习的股票数据波动预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010267809.6A CN111476418A (zh) | 2020-04-08 | 2020-04-08 | 基于深度神经网络和多任务学习的股票数据波动预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476418A true CN111476418A (zh) | 2020-07-31 |
Family
ID=71750619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010267809.6A Pending CN111476418A (zh) | 2020-04-08 | 2020-04-08 | 基于深度神经网络和多任务学习的股票数据波动预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476418A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023129272A1 (en) * | 2021-12-29 | 2023-07-06 | Fidelity Information Services, Llc | Processing sequences of multi-modal entity features using convolutional neural networks |
| WO2023185125A1 (zh) * | 2022-04-02 | 2023-10-05 | 富途网络科技(深圳)有限公司 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
| CN117495563A (zh) * | 2023-11-14 | 2024-02-02 | 杭州卡方分布信息科技有限公司 | 基于深度神经网络的股票算法交易方法、电子设备及介质 |
-
2020
- 2020-04-08 CN CN202010267809.6A patent/CN111476418A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023129272A1 (en) * | 2021-12-29 | 2023-07-06 | Fidelity Information Services, Llc | Processing sequences of multi-modal entity features using convolutional neural networks |
| WO2023185125A1 (zh) * | 2022-04-02 | 2023-10-05 | 富途网络科技(深圳)有限公司 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
| CN117495563A (zh) * | 2023-11-14 | 2024-02-02 | 杭州卡方分布信息科技有限公司 | 基于深度神经网络的股票算法交易方法、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476418A (zh) | 基于深度神经网络和多任务学习的股票数据波动预测方法 | |
| CN108898479B (zh) | 信用评价模型的构建方法及装置 | |
| CN107766929B (zh) | 模型分析方法及装置 | |
| CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及系统 | |
| CN110276679B (zh) | 一种面向深度学习的网络个人信贷欺诈行为检测方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN108734220A (zh) | 基于k线聚类和强化学习的自适应金融时间序列预测方法 | |
| CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN112926645B (zh) | 一种基于边缘计算的窃电检测方法 | |
| CN112819256A (zh) | 一种基于注意力机制的卷积时序房价预测方法 | |
| Pei et al. | Financial trading decisions based on deep fuzzy self-organizing map | |
| Hong et al. | Comparative studies of different methods for short-term locational marginal price forecasting | |
| CN109978300B (zh) | 客户风险承受力量化方法及系统、资产配置方法及系统 | |
| CN115187312A (zh) | 基于深度学习的客户流失预测方法及系统 | |
| CN115423499A (zh) | 模型训练方法、价格预测方法、终端设备以及存储介质 | |
| CN112837161A (zh) | 基于多任务学习和多指数协同注意力机制的股市预测方法 | |
| CN113296947A (zh) | 基于改进XGBoost模型的资源需求预测方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| Chen et al. | DDPG based on multi-scale strokes for financial time series trading strategy | |
| Abdel-Karim | Beautiful Fractals as a Crystal Ball for Financial Markets?-Investment Decision Support System Based on Image Recognition Using Artificial Intelligence | |
| Wu et al. | A comprehensive modeling method of continuous and discrete variables for personal credit forecasting | |
| Shen et al. | Investment time series prediction using a hybrid model based on RBMs and pattern clustering | |
| Gautam et al. | Neural Network and DEA Model for Evaluation of Operational Efficiency of Co-operative Banks | |
| Vinitnantharat et al. | Quantitative Trading Machine Learning Using Differential Evolution 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |