CN112884211A - 一种基于深度学习的股价预测系统及方法 - Google Patents
一种基于深度学习的股价预测系统及方法 Download PDFInfo
- Publication number
- CN112884211A CN112884211A CN202110143654.XA CN202110143654A CN112884211A CN 112884211 A CN112884211 A CN 112884211A CN 202110143654 A CN202110143654 A CN 202110143654A CN 112884211 A CN112884211 A CN 112884211A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- market
- model
- unit
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000003993 interaction Effects 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000004883 computer application Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于深度学习的股价预测系统及方法，涉及金融科学技术以及计算机人工智能领域。本发明的预测系统包括市场实时行情采集单元、机器学习建模单元、预测处理单元、预测系统数据库、人机交互单元以及通信单元；该方法包括：步骤100：建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；步骤101：获取A股市场的历史和实时交易数据，输入预测模型；步骤102：预测模型基于输入的交易数据，对个股在短期内的涨跌情况进行预测处理，获取能够用于实时市场交易和建立新预测模型的交易建议。本发明能够将数据存储在对应不同种类金融产品、不同交易频率的数据库中，通过构建基于同一深度学习技术的统计学模型得到不同需求的输出结果。
Description
技术领域
本发明属于金融科学技术以及计算机人工智能领域，特别是涉及一种基于深度学习的股价预测系统以及一种基于深度学习的股价预测方法。
背景技术
股票市场发展到今天人们进行了大量的研究，包括技术分析法、基本面分析法、价值投资法等，随着科技的发展、信息革命潮流和传统投资方法为人熟知，将使得预测股票走势需要更多更精准的预测分析方法，但是新的预测方法将会更加复杂，非经济和计算机应用技术领域的人们很难把握股票走势和进行技术分析。
现有的技术指标对非经济和计算机应用技术领域的人们来说，很难掌握市场动态和股票走势；现有的技术指标对股票走势的预测由于使用的人过多，以及具有一定的滞后性和加上人为的主观判断，因此不够准确和稳定。
综上所述，现有技术的主要缺点在于股票预测的方法缺乏准确性，对于非专业人员来说应用起来有较大困难。
发明内容
本发明提供了一种基于深度学习的股价预测系统及方法，解决了以上问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明的一种基于深度学习的股价预测系统，是基于机器学习技术(LSTM)开发的对未来股价涨跌的预测系统，包括市场实时行情采集单元、机器学习建模单元、预测处理单元、预测系统数据库、人机交互单元以及通信单元；
所述机器学习建模单元用于为股价预测处理中的复杂数学关系建立更加精准的数学模型；
所述市场实时行情采集单元用于获取市场股价波动实时和历史数据，并输入预测模型；
所述预测处理单元基于机器学习系统提供的预测结果，建立买卖执行模型；以及用于所述预测模型基于市场实时行情采集单元输入的市场实时行情数据，对预测表现优异的股票进行买卖处理，获取能够取得收益的模型结果；
所述预测系统数据库作为数据中心，用于存储、调取及更新来自市场实时行情采集单元的市场实时行情数据、来自机器学习建模单元的涨跌预测结果、以及来自预测处理单元的执行指令，各模块均通过预测系统数据库完成数据的交互；
所述人机交互单元用于与用户交互，完成至少包含数据及曲线显示、以及系统管理及维护的操作；
所述通信单元用于市场实时行情采集单元、机器学习建模单元、预测处理单元与人机交互单元彼此间的数据交互；所述预测处理单元从预测系统数据库中取出股价历史波动数据，经预测模型计算出股价涨跌的预测结果，并将预测结果送回预测系统数据库。
进一步地，所述市场实时行情采集单元、预测处理单元、通信单元、机器学习建模单元依次连接，所述预测系统数据库分别与预测处理单元及通信单元连接，所述人机交互单元与通信单元连接。
进一步地，所述市场实时行情采集单元包括因特网模块、聚源数据库、万得数据库；所述预测处理单元包括行情数据处理模块与预测计算处理机；所述通信单元包括网络安全设备与网络交换机；所述机器学习建模单元包括数据预处理模块、机器学习训练模块与模型测试模块；所述预测系统数据库包括预测系统数据库接口与预测系统数据库服务器；所述人机交互单元包括图形用户界面接口与图形用户界面模块。
进一步地，所述数据预处理模块将各股的价格波动、买卖压差、交易量等数据从预测系统数据库下载下来，在机器学习训练模块上进行训练与开发，并最终将训练成功的模型信息发送给模型测试模块。
进一步地，所述数据预处理模块用于从数据库中读取用于数学建模的股价历史波动数据；机器学习训练模块用于对从数据库读取的行情数据进行数学建模，并利用深度学习的技术深入挖掘因子；所述模型测试模块用于对上一步机器学习训练得到的模型参数进行测试，判断模型是否正确挖掘到了新的因子；以及将正确的预测结果传递给执行模块辅助基金经理进行交易。
进一步地，所述因特网模块分别经聚源数据库、万得数据库后，依次与行情数据处理模块、网络安全设备与网络交换机连接；所述预测系统数据库服务器、预测系统数据库接口、预测计算处理机与网络交换机依次连接，预测系统数据库接口、图形用户界面接口及模型测试模块均与网络交换机连接；所述模型测试模块、机器学习训练模块与数据预处理模块依次连接，图形用户界面接口与图形用户界面模块连接。
一种基于深度学习的股价预测方法，包括如下步骤：
步骤100：建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；
步骤101：获取A股市场的历史和实时交易数据，输入预测模型；
步骤102：预测模型基于输入的交易数据，对个股在短期内的涨跌情况进行预测处理，获取能够用于实时市场交易和建立新预测模型的交易建议。
进一步地，所述基于深度学习的股价预测方法，具体包括：
步骤200：获取包含多股种、多时间频率的level2级别的市场交易历史数据；
步骤201：通过统计方法，建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；
步骤202：从证券交易服务商提供的服务器端口，下载实时的市场行情；
步骤203：对所得的市场行情，进行数据清洗，包括检查数据一致性、处理无效值和缺失值等工作；
步骤204：对所得的清理后的数据进行数据预处理，得到用于输入预测模型的归一化数据；
步骤205：将步骤204所得的归一化数据输入预测模型中；
步骤206：在步骤205中数据经过机器学习模型处理后，输出预测结果；
步骤207：基于预测结果构建股票池(universe)；
步骤208：对股票池中的股票再次进行预测，得到交易信号(alpha)；
步骤209：结合每支股票具体的持仓情况，构建交易指令集合(portfolio)；
步骤210：根据交易指令集合向基金经理提供交易建议。
本发明相对于现有技术包括有以下有益效果：
本发明能够将数据存储在对应不同种类金融产品、不同交易频率的数据库中，通过构建基于同一深度学习技术的统计学模型得到不同需求的输出结果。本专利的意义在于：一方面能通过排除交易员个人情绪因素导致的误差从而得到预测率高于一般人工交易员的股价预测模型，另一方面能够通过用机器替代人工来解放更多的生产力。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明一种基于深度学习的股价预测方法的流程示意图；
图2为本发明一种基于深度学习的股价预测方法的具体流程步骤图；
图3为本发明一种基于深度学习的股价预测系统结构原理图；
图4为本发明一种基于深度学习的股价预测系统的具体工作原理示意图；
附图中，各标号所代表的部件列表如下：
1-市场实时行情采集单元，11-因特网模块，12-聚源数据库，13-万得数据库，2-人机交互单元，21-图形用户界面接口，22-图形用户界面模块，3-预测系统数据库，31-预测系统数据库接口，32-预测系统数据库服务器，4-机器学习建模单元，41-数据预处理模块，42-机器学习训练模块，43-模型测试模块，5-预测处理单元，51-行情数据处理模块，52-预测计算处理机，6-通信单元，61-网络安全设备，62-网络交换机。
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它实施例，都属于本发明保护的范围。
请参阅图1-4所示，本发明的一种基于深度学习的股价预测系统，是基于机器学习技术(LSTM)开发的对未来股价涨跌的预测系统，包括市场实时行情采集单元1、机器学习建模单元4、预测处理单元5、预测系统数据库3、人机交互单元2以及通信单元6；
机器学习建模单元4用于为股价预测处理中的复杂数学关系建立更加精准的数学模型；
市场实时行情采集单元1用于获取市场股价波动实时和历史数据，并输入预测模型；
预测处理单元5基于机器学习系统提供的预测结果，建立买卖执行模型；以及用于预测模型基于市场实时行情采集单元1输入的市场实时行情数据，对预测表现优异的股票进行买卖处理，获取能够取得收益的模型结果；
预测系统数据库3作为数据中心，用于存储、调取及更新来自市场实时行情采集单元1的市场实时行情数据、来自机器学习建模单元4的涨跌预测结果、以及来自预测处理单元5的执行指令，各模块均通过预测系统数据库3完成数据的交互；
人机交互单元2用于与用户交互，完成至少包含数据及曲线显示、以及系统管理及维护的操作；
通信单元6用于市场实时行情采集单元1、机器学习建模单元4、预测处理单元5与人机交互单元2彼此间的数据交互；预测处理单元5从预测系统数据库3中取出股价历史波动数据，经预测模型计算出股价涨跌的预测结果，并将预测结果送回预测系统数据库3。
其中，市场实时行情采集单元1、预测处理单元5、通信单元6、机器学习建模单元4依次连接，预测系统数据库3分别与预测处理单元5及通信单元6连接，人机交互单元与通信单元6连接。
其中，市场实时行情采集单元1包括因特网模块11、聚源数据库12、万得数据库13；预测处理单元5包括行情数据处理模块51与预测计算处理机52；通信单元6包括网络安全设备61与网络交换机62；机器学习建模单元4包括数据预处理模块41、机器学习训练模块42与模型测试模块43；预测系统数据库3包括预测系统数据库接口31与预测系统数据库服务器32；人机交互单元2包括图形用户界面接口21与图形用户界面模块22。
其中，数据预处理模块41将各股的价格波动、买卖压差、交易量等数据从预测系统数据库3下载下来，在机器学习训练模块42上进行训练与开发，并最终将训练成功的模型信息发送给模型测试模块43。
其中，数据预处理模块41用于从数据库中读取用于数学建模的股价历史波动数据；机器学习训练模块42用于对从数据库读取的行情数据进行数学建模，并利用深度学习的技术深入挖掘因子；模型测试模块43用于对上一步机器学习训练得到的模型参数进行测试，判断模型是否正确挖掘到了新的因子；以及将正确的预测结果传递给执行模块辅助基金经理进行交易。
其中，因特网模块11分别经聚源数据库12、万得数据库13后，依次与行情数据处理模块51、网络安全设备61与网络交换机62连接；预测系统数据库服务器32、预测系统数据库接口31、预测计算处理机52与网络交换机62依次连接，预测系统数据库接口31、图形用户界面接口21及模型测试模块43均与网络交换机62连接；模型测试模块43、机器学习训练模块42与数据预处理模块41依次连接，图形用户界面接口21与图形用户界面模块22连接。
一种基于深度学习的股价预测方法，包括如下步骤：
步骤100：建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；
步骤101：获取A股市场的历史和实时交易数据，输入预测模型；
步骤102：预测模型基于输入的交易数据，对个股在短期内的涨跌情况进行预测处理，获取能够用于实时市场交易和建立新预测模型的交易建议。
其中，基于深度学习的股价预测方法，具体包括：
步骤200：获取包含多股种、多时间频率的level2级别的市场交易历史数据；
步骤201：通过统计方法，建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；
步骤202：从证券交易服务商提供的服务器端口，下载实时的市场行情；
步骤203：对所得的市场行情，进行数据清洗，包括检查数据一致性、处理无效值和缺失值等工作；
步骤204：对所得的清理后的数据进行数据预处理，得到用于输入预测模型的归一化数据；
步骤205：将步骤204所得的归一化数据输入预测模型中；
步骤206：在步骤205中数据经过机器学习模型处理后，输出预测结果；
步骤207：基于预测结果构建股票池(universe)；
步骤208：对股票池中的股票再次进行预测，得到交易信号(alpha)；
步骤209：结合每支股票具体的持仓情况，构建交易指令集合(portfolio)；
步骤210：根据交易指令集合向基金经理提供交易建议。
有益效果：
本发明能够将数据存储在对应不同种类金融产品、不同交易频率的数据库中，通过构建基于同一深度学习技术的统计学模型得到不同需求的输出结果。本专利的意义在于：一方面能通过排除交易员个人情绪因素导致的误差从而得到预测率高于一般人工交易员的股价预测模型，另一方面能够通过用机器替代人工来解放更多的生产力。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于深度学习的股价预测系统，是基于机器学习技术(LSTM)开发的对未来股价涨跌的预测系统，其特征在于，包括市场实时行情采集单元(1)、机器学习建模单元(4)、预测处理单元(5)、预测系统数据库(3)、人机交互单元(2)以及通信单元(6)；
所述机器学习建模单元(4)用于为股价预测处理中的复杂数学关系建立更加精准的数学模型；
所述市场实时行情采集单元(1)用于获取市场股价波动实时和历史数据，并输入预测模型；
所述预测处理单元(5)基于机器学习系统提供的预测结果，建立买卖执行模型；以及用于所述预测模型基于市场实时行情采集单元(1)输入的市场实时行情数据，对预测表现优异的股票进行买卖处理，获取能够取得收益的模型结果；
所述预测系统数据库(3)作为数据中心，用于存储、调取及更新来自市场实时行情采集单元(1)的市场实时行情数据、来自机器学习建模单元(4)的涨跌预测结果、以及来自预测处理单元(5)的执行指令，各模块均通过预测系统数据库(3)完成数据的交互；
所述人机交互单元(2)用于与用户交互，完成至少包含数据及曲线显示、以及系统管理及维护的操作；
所述通信单元(6)用于市场实时行情采集单元(1)、机器学习建模单元(4)、预测处理单元(5)与人机交互单元(2)彼此间的数据交互；所述预测处理单元(5)从预测系统数据库(3)中取出股价历史波动数据，经预测模型计算出股价涨跌的预测结果，并将预测结果送回预测系统数据库(3)。
2.根据权利要求1所述的一种基于深度学习的股价预测系统，其特征在于，所述市场实时行情采集单元(1)、预测处理单元(5)、通信单元(6)、机器学习建模单元(4)依次连接，所述预测系统数据库(3)分别与预测处理单元(5)及通信单元(6)连接，所述人机交互单元与通信单元(6)连接。
3.根据权利要求1所述的一种基于深度学习的股价预测系统，其特征在于，所述市场实时行情采集单元(1)包括因特网模块(11)、聚源数据库(12)、万得数据库(13)；所述预测处理单元(5)包括行情数据处理模块(51)与预测计算处理机(52)；所述通信单元(6)包括网络安全设备(61)与网络交换机(62)；所述机器学习建模单元(4)包括数据预处理模块(41)、机器学习训练模块(42)与模型测试模块(43)；所述预测系统数据库(3)包括预测系统数据库接口(31)与预测系统数据库服务器(32)；所述人机交互单元(2)包括图形用户界面接口(21)与图形用户界面模块(22)。
4.根据权利要求3所述的一种基于深度学习的股价预测系统，其特征在于，所述数据预处理模块(41)将各股的价格波动、买卖压差、交易量等数据从预测系统数据库(3)下载下来，在机器学习训练模块(42)上进行训练与开发，并最终将训练成功的模型信息发送给模型测试模块(43)。
5.根据权利要求3所述的一种基于深度学习的股价预测系统，其特征在于，所述数据预处理模块(41)用于从数据库中读取用于数学建模的股价历史波动数据；机器学习训练模块(42)用于对从数据库读取的行情数据进行数学建模，并利用深度学习的技术深入挖掘因子；所述模型测试模块(43)用于对上一步机器学习训练得到的模型参数进行测试，判断模型是否正确挖掘到了新的因子；以及将正确的预测结果传递给执行模块辅助基金经理进行交易。
6.根据权利要求3所述的一种基于深度学习的股价预测系统，其特征在于，所述因特网模块(11)分别经聚源数据库(12)、万得数据库(13)后，依次与行情数据处理模块(51)、网络安全设备(61)与网络交换机(62)连接；所述预测系统数据库服务器(32)、预测系统数据库接口(31)、预测计算处理机(52)与网络交换机(62)依次连接，预测系统数据库接口(31)、图形用户界面接口(21)及模型测试模块(43)均与网络交换机(62)连接；所述模型测试模块(43)、机器学习训练模块(42)与数据预处理模块(41)依次连接，图形用户界面接口(21)与图形用户界面模块(22)连接。
7.如权利要求1-6任一项所述的一种基于深度学习的股价预测方法，其特征在于，包括如下步骤：
步骤100：建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；
步骤101：获取A股市场的历史和实时交易数据，输入预测模型；
步骤102：预测模型基于输入的交易数据，对个股在短期内的涨跌情况进行预测处理，获取能够用于实时市场交易和建立新预测模型的交易建议。
8.根据权利要求7所述的一种一种基于深度学习的股价预测方法，其特征在于，所述基于深度学习的股价预测方法，具体包括：
步骤200：获取包含多股种、多时间频率的level2级别的市场交易历史数据；
步骤201：通过统计方法，建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；
步骤202：从证券交易服务商提供的服务器端口，下载实时的市场行情；
步骤203：对所得的市场行情，进行数据清洗，包括检查数据一致性、处理无效值和缺失值等工作；
步骤204：对所得的清理后的数据进行数据预处理，得到用于输入预测模型的归一化数据；
步骤205：将步骤204所得的归一化数据输入预测模型中；
步骤206：在步骤205中数据经过机器学习模型处理后，输出预测结果；
步骤207：基于预测结果构建股票池(universe)；
步骤208：对股票池中的股票再次进行预测，得到交易信号(alpha)；
步骤209：结合每支股票具体的持仓情况，构建交易指令集合(portfolio)；
步骤210：根据交易指令集合向基金经理提供交易建议。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110143654.XA CN112884211A (zh) | 2021-02-02 | 2021-02-02 | 一种基于深度学习的股价预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110143654.XA CN112884211A (zh) | 2021-02-02 | 2021-02-02 | 一种基于深度学习的股价预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112884211A true CN112884211A (zh) | 2021-06-01 |
Family
ID=76055742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110143654.XA Pending CN112884211A (zh) | 2021-02-02 | 2021-02-02 | 一种基于深度学习的股价预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884211A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511141A (zh) * | 2022-01-26 | 2022-05-17 | 海南大学 | 一种基于多特征融合的股票趋势预测系统及其方法 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292742A (zh) * | 2017-05-25 | 2017-10-24 | 武汉楚鼎信息技术有限公司 | 一种按照任意指标组合来投资股票的系统以及实现方法 |
| 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 |
| CN110222895A (zh) * | 2019-06-10 | 2019-09-10 | 上海时廊人工智能科技有限公司 | 一种股票走势预测方法、装置、计算机设备和存储介质 |
| CN111489259A (zh) * | 2020-04-16 | 2020-08-04 | 江苏知诺智能科技有限公司 | 一种基于深度学习的股票市场风险预测智能实现方法 |
| CN111611487A (zh) * | 2020-05-20 | 2020-09-01 | 上海腾韵信息科技有限公司 | 一种股票信息应用分析系统 |
-
2021
- 2021-02-02 CN CN202110143654.XA patent/CN112884211A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292742A (zh) * | 2017-05-25 | 2017-10-24 | 武汉楚鼎信息技术有限公司 | 一种按照任意指标组合来投资股票的系统以及实现方法 |
| 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 |
| CN110222895A (zh) * | 2019-06-10 | 2019-09-10 | 上海时廊人工智能科技有限公司 | 一种股票走势预测方法、装置、计算机设备和存储介质 |
| CN111489259A (zh) * | 2020-04-16 | 2020-08-04 | 江苏知诺智能科技有限公司 | 一种基于深度学习的股票市场风险预测智能实现方法 |
| CN111611487A (zh) * | 2020-05-20 | 2020-09-01 | 上海腾韵信息科技有限公司 | 一种股票信息应用分析系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511141A (zh) * | 2022-01-26 | 2022-05-17 | 海南大学 | 一种基于多特征融合的股票趋势预测系统及其方法 |
| 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 |
|---|---|---|
| CN109919684A (zh) | 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 | |
| CN112884211A (zh) | 一种基于深度学习的股价预测系统及方法 | |
| CN113269638B (zh) | 一种基于区块链的金融风险分析系统 | |
| KR102620000B1 (ko) | 재무 지표 분석 기반 투자 가치 평가 서비스 제공 방법 및 장치 | |
| CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| CN112785057A (zh) | 基于指数平滑的件量预测方法、装置、设备及存储介质 | |
| Madasamy et al. | THE EVOLUTION OF CHATBOTS: CLOUD AND AI SYNERGY IN BANKING CUSTOMER INTERACTIONS | |
| CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
| CN112488534A (zh) | 一种银行软件上线前的风险预警方法、系统、设备和介质 | |
| CN116883173A (zh) | 一种基于深度学习的高频量化交易方法及系统 | |
| CN110909050A (zh) | 一种数据统计分析系统 | |
| CN116563035A (zh) | 医保数据的分析方法及装置、电子设备和存储介质 | |
| CN208061256U (zh) | 一种电子交易策略生成设备 | |
| US20180330438A1 (en) | Trading System with Natural Strategy Processing, Validation, Deployment, and Order Management in Financial Markets | |
| Sathya et al. | Stock price prediction using reinforcement learning and feature extraction | |
| CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
| CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
| CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
| CN114049213A (zh) | 一种信息化金融数据分析系统与分析方法 | |
| CN112732235A (zh) | 一种半自动交易投资工具、实现方法及交易投资方法 | |
| CN110135467A (zh) | 一种基于数据拼接的模型训练方法、装置、系统和记录介质 | |
| Zou | Corporate Digitalisation And Heterogeneous Technological Innovations: Is Capital Allocation Effective? | |
| CN114036208B (zh) | 一种模型训练和敏感度分析方法、装置、设备及介质 | |
| CN115511640A (zh) | 一种金融产品的异动处理方法、装置、设备及介质 | |
| Ticku et al. | Vader protocol based sentiment analysis technique using LSTM for Stock Trend prediction |
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: 20210601 |