CN112927085A - 基于区块链、大数据和算法的股票风险预警系统 - Google Patents
基于区块链、大数据和算法的股票风险预警系统 Download PDFInfo
- Publication number
- CN112927085A CN112927085A CN202110402174.0A CN202110402174A CN112927085A CN 112927085 A CN112927085 A CN 112927085A CN 202110402174 A CN202110402174 A CN 202110402174A CN 112927085 A CN112927085 A CN 112927085A
- Authority
- CN
- China
- Prior art keywords
- bird nest
- stock
- prediction model
- nest position
- population
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000000630 rising effect Effects 0.000 claims abstract description 4
- 235000005770 birds nest Nutrition 0.000 claims description 123
- 235000005765 wild carrot Nutrition 0.000 claims description 123
- 238000005295 random walk Methods 0.000 claims description 23
- 241000544061 Cuculus canorus Species 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 229910010888 LiIn Inorganic materials 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 241000272177 Cuculiformes Species 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 241000271566 Aves Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping 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
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于区块链、大数据和算法的股票风险预警系统,包括股票预测模型建立模块、区块链存储模块和股票预测模块,所述股票预测模型建立模块用于建立股票预测模型,所述区块链存储模块用于存储用于训练和测试股票预测模型的样本集,所述股票预测模块根据预设的子序列长度截取预测日前一个交易日和其之前交易日的历史指标数据组成子序列,并将归一化处理后的子序列作为输入值,输入建立的股票预测模型中,所述股票预测模型的输出值即为预测日的股票趋势。本发明的有益效果:利用股票历史指标数据对BP神经网络进行训练和测试,建立基于BP神经网络的股票预测模型对股票趋势进行预测,使得投资者能够根据预测的股票涨跌趋势及时避免投资亏损。
Description
技术领域
本发明创造涉及金融领域,具体涉及一种基于区块链、大数据和算法的股票风险预警系统。
背景技术
伴随着全球经济一体化进程飞速发展,股票市场在全球经济中扮演着越来越重要的角色,准确的对股票市场进行预测具有重要的社会经济价值。股票市场拥有来源广泛而异质的海量数据,随着信息技术的发展,运用数据挖掘算法可以挖掘出数据中潜在的、有价值的知识和信息以支持管理和决策活动,因此,对股票市场的数据进行挖掘和预测分析,可以了解未来股票市场的走向,从而可以为投资者调整投资策略时提供帮助,能够根据预测所得的股票涨跌趋势及时避免投资亏损。
随着大数据时代的到来和计算机能力的大幅提升,传统线性模型对于股票趋势预测的缺陷逐渐暴露,非线性预测模型的优势逐渐明显。其中,处于大数据时代下的BP神经网络模型成为更受学着欢迎的佼佼者。该BP神经网络模型具有非线性映射能力强和容错能力强等优点,但也存在对初始值敏感和易陷入局部最优的缺陷,这些缺陷的存在导致在采用BP神经网络对股票趋势进行预测时具有预测精度不稳定的缺陷,针对上述缺陷,提出采用布谷鸟算法对BP神经网络的初始权值和阈值进行优化,弥补了BP神经网络对初始值敏感和易陷入局部极值的不足,继而将优化后的BP神经网络应用到股票预测中时,具有较高的预测精度,从而能够起到预警作用。
发明内容
针对上述问题,本发明旨在提供一种基于区块链、大数据和算法的股票风险预警系统。
本发明创造的目的通过以下技术方案实现:
基于区块链、大数据和算法的股票风险预警系统,包括股票预测模型建立模块、区块链存储模块和股票预测模块,所述股票预测模型建立模块用于建立股票预测模型,包括样本数据获取单元、样本数据处理单元、样本集建立单元和股票预测模型建立单元,所述样本数据获取单元以天为单位获取待预测股票在交易日的历史指标数据并形成时间序列,所述样本数据处理单元对样本数据获取单元获取的时间序列中的历史指标数据进行归一化处理,所述样本集建立单元将归一化的时间序列按照预设的子序列长度依次截断为多个子序列,所述子序列作为输入样本值,子序列最尾的历史指标数据对应的交易日的下一个交易日的股票趋势作为该输入样本值对应的输出值,所述输入样本值和其对应的输出值组成用于训练和测试股票预测模型的样本集,并存储于区块链存储模块中,所述股票预测模型建立单元采用区块链存储模块中存储的样本集对股票预测模型进行训练和测试,从而建立股票预测模型,所述股票预测模块根据预设的子序列长度截取预测日前一个交易日和其之前交易日的历史指标数据组成子序列,并对所述子序列中的历史指标数据进行归一化处理,将归一化处理后的子序列作为输入值,输入建立的股票预测模型中,所述股票预测模型的输出值即为预测日的股票趋势。
优选地,所述指标包括基本指标和技术指标,所述基本指标包括开盘价、最高价、最低价、涨跌幅、收盘价、成交量和成交金额;所述技术指标包括平滑异同移动平均线MACD、能量指标CR、能量潮指标OBV、变动率指标ROC、随机指标KDJ、相对强弱指标RSI和布林线指标BOLL。
优选地,股票趋势包括涨势数据值和跌势数据值。
优选地,所述股票预测模型建立单元采用区块链存储模块中存储的样本集对BP神经网络进行训练和测试,从而建立股票预测模型,采用布谷鸟算法对股票预测模型建立单元采用的BP神经网络的初始权值和阈值进行优化。
优选地,所述布谷鸟算法通过莱维飞行对布谷鸟的鸟巢位置进行更新,具体为:
Xi(t+1)=Xi(t)+αs(Xi(t)-Xbest(t))
式中,Xi(t+1)表示第i个鸟巢在第(t+1)次迭代时的位置,Xi(t)表示第i个鸟巢在第t次迭代时的位置,α表示步长因子,Xbest(t)表示第t次迭代时的最优鸟巢位置,s为一个服从莱维分布的随机数;
设fi(t+1)表示鸟巢位置Xi(t+1)对应的适应度函数值,fi(t)表示鸟巢位置Xi(t)对应的适应度函数值,当fi(t+1)<fi(t)时,则令鸟巢位置Xi(t+1)替代鸟巢位置Xi(t);当fi(t+1)≥fi(t)时,则保留鸟巢位置Xi(t)。
优选地,在每次的莱维飞行更新后,根据发现概率抛弃被发现鸟巢,具体为:
设Pa表示发现概率,鸟巢位置Xi(t+1)产生一个0到1之间的随机数ri(t+1),当随机数ri(t+1)≤Pa时,则保留鸟巢位置Xi(t+1),当随机数ri(t+1)>Pa时,则布谷鸟抛弃鸟巢位置Xi(t+1),并采用随机游走方式产生新的鸟巢位置X′i(t+1),具体为:
定义Q(t+1)表示种群在第(t+1)时对应的进化检测函数,则Q(t+1)的表达式为:
式中,N表示种群规模,ρi(t+1)表示鸟巢位置Xi(t+1)对应的进化判断函数,且 设di(t+1)表示鸟巢位置Xi(t+1)对应的进化距离,且di(t+1)=|Xi(t+1)-Xi(t)|,表示种群在第(t+1)次迭代时的进化分割阈值,且 其中,表示种群在第(t+1)次迭代时对应的进化距离均值,且表示种群在第(t+1)次迭代时对应的进化距离最大值,且δi(t+1)表示鸟巢位置Xi(t+1)对应的局部进化判断函数,且θi(t+1)表示鸟巢位置Xi(t+1)对应的全局进化判断函数,且
给定进化检测阈值Q,当Q(t+1)≤Q时,采用下列随机游走方式建立新鸟巢位置X′i(t+1):
X′i(t+1)=Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
其中,Xk(t+1)表示种群中第k个鸟巢在第(t+1)次迭代时的位置,Xl(t+1)表示种群中第l个鸟巢在第(t+1)次迭代时的位置,Xk(t+1)和Xl(t+1)为随机在种群中选取的两个鸟巢位置,且Xk(t+1)≠Xl(t+1),rand表示产生0到1之间的随机数;
X′i(t+1)=Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
定义li(t+1)表示鸟巢位置Xi(t+1)对应的随机游走门限值,将li(t+1)的值设置为:设Xj(t+1)表示种群中第j个鸟巢在第(t+1)次迭代时的位置,当鸟巢位置Xj(t+1)满足:|Xi(t+1)-Xj(t+1)|≤li(t+1)时,则将鸟巢位置Xj(t+1)加入到集合Li(t+1)中,当鸟巢位置Xj(t+1)满足|Xi(t+1)-Xj(t+1)|>li(t+1)时,则不将鸟巢位置Xj(t+1)加入到集合Li(t+1)中;
设f′i(t+1)表示鸟巢位置X′i(t+1)对应的适应度函数值,当f′i(t+1)<fi(t+1)时,则令鸟巢位置X′i(t+1)替代鸟巢位置Xi(t+1),当f′i(t+1)≥fi(t+1)时,则保留鸟巢位置Xi(t+1)。
本发明创造的有益效果:利用股票历史指标数据对BP神经网络进行训练和测试,建立基于BP神经网络的股票预测模型,使用预测模型预测股票趋势,从而可以为投资者调整投资策略时提供帮助,并使得投资者能够根据预测所得的股票涨跌趋势及时避免投资亏损;针对BP神经网络因存在对初始值敏感和易陷入局部极值的缺陷使得BP神经网络预测精度降低的问题,提出采用布谷鸟算法对BP神经网络的初始权值和阈值进行优化,弥补了BP神经网络对初始值敏感和易陷入局部极值的不足,继而将优化后的BP神经网络应用到股票预测中时,具有较高的预测精度,能够有效的对股票趋势进行预测,从而能够起到预警作用。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的基于区块链、大数据和算法的股票风险预警系统,包括股票预测模型建立模块、区块链存储模块和股票预测模块,所述股票预测模型建立模块用于建立股票预测模型,包括样本数据获取单元、样本数据处理单元、样本集建立单元和股票预测模型建立单元,所述样本数据获取单元以天为单位获取待预测股票在交易日的历史指标数据并形成时间序列,所述样本数据处理单元对样本数据获取单元获取的时间序列中的历史指标数据进行归一化处理,所述样本集建立单元将归一化的时间序列按照预设的子序列长度依次截断为多个子序列,所述子序列作为输入样本值,子序列最尾的历史指标数据对应的交易日的下一个交易日的股票趋势作为该输入样本值对应的输出值,所述输入样本值和其对应的输出值组成用于训练和测试股票预测模型的样本集,并存储于区块链存储模块中,所述股票预测模型建立单元采用区块链存储模块中存储的样本集对股票预测模型进行训练和测试,从而建立股票预测模型,所述股票预测模块根据预设的子序列长度截取预测日前一天和其之前交易日的历史指标数据组成子序列,并对所述子序列中的历史指标数据进行归一化处理,将归一化处理后的子序列作为输入值,输入建立的股票预测模型中,所述股票预测模型的输出值即为预测日的股票趋势。
优选地,所述指标包括基本指标和技术指标,所述基本指标包括开盘价、最高价、最低价、涨跌幅、收盘价、成交量和成交金额;所述技术指标包括平滑异同移动平均线MACD、能量指标CR、能量潮指标OBV、变动率指标ROC、随机指标KDJ、相对强弱指标RSI和布林线指标BOLL。
优选地,所述股票趋势包括涨势数据值和跌势数据值。
优选地,所述样本集建立单元将归一化的时间序列按照预设的子序列长度依次截断为多个子序列,所述子序列作为输入样本值,子序列最尾的历史指标数据对应的交易日的下一个交易日的股票趋势作为该输入样本值对应的输出值,具体为:
设Y表示归一化的时间序列,且Y={y1,y2,...,yM},其中,y1表示时间序列Y中的第1个数据,y2表示时间序列Y中的第2个数据,yM表示时间序列Y中的第M个数据,M表示时间序列Y中的数据量,设n表示预设的子序列长度,Y′表示样本集建立单元将归一化的时间序列Y按照预设的子序列长度n依次截断为多个子序列组成的集合,且Y′={Y1,Y2,...,Ym},其中,Y1表示集合Y′中的第1个子序列,且Y1={y1,y2,...,yn},其中,yn表示时间序列Y中的第n个数据,Y2表示集合Y′中的第2个子序列,且Y2={y(n+1),y(n+2),...,y2n},其中,y(n+1)表示时间序列Y中的第(n+1)个数据,y(n+2)表示时间序列Y中的第(n+2)个数据,y2n表示时间序列Y中的第2n个数据,Ym表示集合Y′中的第m个子序列,m表示集合Y′中的子序列个数;
所述子序列Y1作为第一个输入样本值,将子序列Y1最尾的历史指标数据yn对应的交易日的下一个交易日的股票趋势作为该输入样本值Y1对应的输出值。
本优选实施例利用股票历史指标数据对BP神经网络进行训练和测试,建立基于BP神经网络的股票预测模型,使用预测模型预测股票趋势,从而可以为投资者调整投资策略时提供帮助,并使得投资者能够根据预测所得的股票涨跌趋势及时避免投资亏损。
优选地,所述股票预测模型建立单元采用区块链存储模块中存储的样本集对BP神经网络进行训练和测试,从而建立股票预测模型,采用布谷鸟算法对股票预测模型建立单元采用的BP神经网络的初始权值和阈值进行优化,定义布谷鸟算法的适应度函数为平均绝对误差函数,鸟巢位置对应的适应度函数越小,表明该鸟巢位置越优。
本优选实施例针对BP神经网络存在的对初始值敏感和易陷入局部极值的缺陷,提出采用布谷鸟算法对BP神经网络的初始权值和阈值进行优化,弥补了BP神经网络对初始值敏感和易陷入局部极值的不足,继而将优化后的BP神经网络应用到股票预测中时,能够有效的提高预测精度,从而能够起到预警作用。
优选地,所述布谷鸟算法通过莱维飞行对布谷鸟的鸟巢位置进行更新,具体为:
Xi(t+1)=Xi(t)+αs(Xi(t)-Xbest(t))
式中,Xi(t+1)表示第i个鸟巢在第(t+1)次迭代时的位置,Xi(t)表示第i个鸟巢在第t次迭代时的位置,α表示步长因子,α的值可以取0.01,Xbest(t)表示第t次迭代时的最优鸟巢位置,s为一个服从莱维分布的随机数;
设fi(t+1)表示鸟巢位置Xi(t+1)对应的适应度函数值,fi(t)表示鸟巢位置Xi(t)对应的适应度函数值,当fi(t+1)<fi(t)时,则令鸟巢位置Xi(t+1)替代鸟巢位置Xi(t);当fi(t+1)≥fi(t)时,则保留鸟巢位置Xi(t)。
优选地,在每次的莱维飞行更新后,根据发现概率抛弃被发现鸟巢,具体为:
设Pa表示发现概率,鸟巢位置Xi(t+1)产生一个0到1之间的随机数ri(t+1),当随机数ri(t+1)≤Pa时,则保留鸟巢位置Xi(t+1),当随机数ri(t+1)>Pa时,则布谷鸟抛弃鸟巢位置Xi(t+1),并采用随机游走方式产生新的鸟巢位置X′i(t+1),具体为:
定义Q(t+1)表示种群在第(t+1)时对应的进化检测函数,则Q(t+1)的表达式为:
式中,N表示种群规模,ρi(t+1)表示鸟巢位置Xi(t+1)对应的进化判断函数,且 设di(t+1)表示鸟巢位置Xi(t+1)对应的进化距离,且di(t+1)=|Xi(t+1)-Xi(t)|,表示种群在第(t+1)次迭代时的进化分割阈值,且 其中,表示种群在第(t+1)次迭代时对应的进化距离均值,且表示种群在第(t+1)次迭代时对应的进化距离最大值,且δi(t+1)表示鸟巢位置Xi(t+1)对应的局部进化判断函数,且θi(t+1)表示鸟巢位置Xi(t+1)对应的全局进化判断函数,且
给定进化检测阈值Q,Q的值可以取0.2,当Q(t+1)≤Q时,采用下列随机游走方式建立新鸟巢位置X′i(t+1):
X′i(t+1)=Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
其中,Xk(t+1)表示种群中第k个鸟巢在第(t+1)次迭代时的位置,Xl(t+1)表示种群中第l个鸟巢在第(t+1)次迭代时的位置,Xk(t+1)和Xl(t+1)为随机在种群中选取的两个鸟巢位置,且Xk(t+1)≠Xl(t+1),rand表示产生0到1之间的随机数;
X′i(t+1)=Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
定义li(t+1)表示鸟巢位置Xi(t+1)对应的随机游走门限值,将li(t+1)的值设置为:设Xj(t+1)表示种群中第j个鸟巢在第(t+1)次迭代时的位置,当鸟巢位置Xj(t+1)满足:|Xi(t+1)-Xj(t+1)|≤li(t+1)时,则将鸟巢位置Xj(t+1)加入到集合Li(t+1)中,当鸟巢位置Xj(t+1)满足|Xi(t+1)-Xj(t+1)|>li(t+1)时,则不将鸟巢位置Xj(t+1)加入到集合Li(t+1)中;
设f′i(t+1)表示鸟巢位置X′i(t+1)对应的适应度函数值,当f′i(t+1)<fi(t+1)时,则令鸟巢位置X′i(t+1)替代鸟巢位置Xi(t+1),当f′i(t+1)≥fi(t+1)时,则保留鸟巢位置Xi(t+1)。
本优选实施例在每次的莱维飞行更新后,根据发现概率抛弃被发现鸟巢,并采用随机游走方式建立新鸟巢,区别于传统的建立新鸟巢的方式,本优选实施例在建立新鸟巢时定义了进化检测函数,所述进化检测函数用于检测种群在当前莱维飞行更新过程中的进化特性,所述进化检测函数中的第一项用于统计种群中在莱维飞行更新过程中位置移动较大的鸟巢数,进化检测函数中的第二项用于统计种群中在莱维飞行更新过程中位置移动较小的鸟巢数,当进化检测函数的值小于给定的进化检测阈值时,则可以认定种群在当前莱维飞行更新过程中更加偏向于局部搜索,此时,在采用随机游走方式建立新鸟巢时,更加注重于全局搜索,即仍然采用传统的全局随机游走方式;当进化检测函数大于给定的进化检测阈值时,则认定种群在当前的莱维飞行更新过程中更加偏向于全局搜索,此时,在采用随机游走方式建立新鸟巢时,令种群中在莱维飞行更新过程中移动位置较小的鸟巢仍然进行全局随机游走,即保证种群的多样性,避免陷入局部最优,而令种群中在莱维飞行更新过程中移动位置较大的鸟巢进行局部随机游走,即通过引入鸟巢位置的邻域鸟巢位置集合来限制随机游走的范围,使得在建立新鸟巢时更加注重于局部搜索,从而提高寻优精度,综上所述通过进化检测函数检测种群在当前莱维飞行更新过程中的进化特性,并根据所述进化特性决定随机游走方式,能够有效调整种群的全局搜索和局部搜索,在保证种群多样性的同时,能够有效的提高种群的寻优精度,从而找到全局最优解;再利用改进的布谷鸟算法对BP神经网络的初始权值和阈值进行优化,能够寻找到BP神经网络的最优初始权值和阈值,从而提高BP神经网络的预测精度,继而将所述BP神经网络应用到股票预测中时,能够有效的预测股票趋势,从而起到预警的作用。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.基于区块链、大数据和算法的股票风险预警系统,其特征是,包括股票预测模型建立模块、区块链存储模块和股票预测模块,所述股票预测模型建立模块用于建立股票预测模型,包括样本数据获取单元、样本数据处理单元、样本集建立单元和股票预测模型建立单元,所述样本数据获取单元以天为单位获取待预测股票在交易日的历史指标数据并形成时间序列,所述样本数据处理单元对样本数据获取单元获取的时间序列中的历史指标数据进行归一化处理,所述样本集建立单元将归一化的时间序列按照预设的子序列长度依次截断为多个子序列,所述子序列作为输入样本值,子序列最尾的历史指标数据对应的交易日的下一个交易日的股票趋势作为该输入样本值对应的输出值,所述输入样本值和其对应的输出值组成用于训练和测试股票预测模型的样本集,并存储于区块链存储模块中,所述股票预测模型建立单元采用区块链存储模块中存储的样本集对股票预测模型进行训练和测试,从而建立股票预测模型,所述股票预测模块根据预设的子序列长度截取预测日前一个交易日和其之前交易日的历史指标数据组成子序列,并对所述子序列中的历史指标数据进行归一化处理,将归一化处理后的子序列作为输入值,输入建立的股票预测模型中,所述股票预测模型的输出值即为预测日的股票趋势。
2.根据权利要求1所述的基于区块链、大数据和算法的股票风险预警系统,其特征是,所述指标包括基本指标和技术指标,所述基本指标包括开盘价、最高价、最低价、涨跌幅、收盘价、成交量和成交金额;所述技术指标包括平滑异同移动平均线MACD、能量指标CR、能量潮指标OBV、变动率指标ROC、随机指标KDJ、相对强弱指标RSI和布林线指标BOLL。
3.根据权利要求2所述的基于区块链、大数据和算法的股票风险预警系统,其特征是,股票趋势包括涨势数据值和跌势数据值。
4.根据权利要求1所述的基于区块链、大数据和算法的股票风险预警系统,其特征是,所述股票预测模型建立单元采用区块链存储模块中存储的样本集对BP神经网络进行训练和测试,从而建立股票预测模型;采用布谷鸟算法对股票预测模型建立单元采用的BP神经网络的初始权值和阈值进行优化。
5.根据权利要求4所述的基于区块链、大数据和算法的股票风险预警系统,其特征是,所述布谷鸟算法通过莱维飞行对布谷鸟的位置进行更新,具体为:
Xi(t+1)=Xi(t)+αs(Xi(t)-Xbest(t))
式中,Xi(t+1)表示第i个鸟巢在第(t+1)次迭代时的位置,Xi(t)表示第i个鸟巢在第t次迭代时的位置,α表示步长因子,Xbest(t)表示第t次迭代时的最优鸟巢位置,s为一个服从莱维分布的随机数;
设fi(t+1)表示鸟巢位置Xi(t+1)对应的适应度函数值,fi(t)表示鸟巢位置Xi(t)对应的适应度函数值,当fi(t+1)<fi(t)时,则令鸟巢位置Xi(t+1)替代鸟巢位置Xi(t);当fi(t+1)≥fi(t)时,则保留鸟巢位置Xi(t)。
6.根据权利要求5所述的基于区块链、大数据和算法的股票风险预警系统,其特征是,在每次的莱维飞行更新后,根据发现概率抛弃被发现鸟巢,具体为:
设Pa表示发现概率,鸟巢位置Xi(t+1)产生一个0到1之间的随机数ri(t+1),当随机数ri(t+1)≤Pa时,则保留鸟巢位置Xi(t+1),当随机数ri(t+1)>Pa时,则布谷鸟抛弃鸟巢位置Xi(t+1),并采用随机游走方式产生新的鸟巢位置X′i(t+1),具体为:
定义Q(t+1)表示种群在第(t+1)次迭代时对应的进化检测函数,则Q(t+1)的表达式为:
式中,N表示种群规模,ρi(t+1)表示鸟巢位置Xi(t+1)对应的进化判断函数,且 设di(t+1)表示鸟巢位置Xi(t+1)对应的进化距离,且di(t+1)=|Xi(t+1)-Xi(t)|,表示种群在第(t+1)次迭代时的进化分割阈值,且 其中,表示种群在第(t+1)次迭代时对应的进化距离均值,目 表示种群在第(t+1)次迭代时对应的进化距离最大值,且δi(t+1)表示鸟巢位置Xi(t+1)对应的局部进化判断函数,且θi(t+1)表示鸟巢位置Xi(t+1)对应的全局进化判断函数,且
给定进化检测阈值Q,当Q(t+1)≤Q时,采用下列随机游走方式建立新鸟巢位置X′i(t+1):
X′i(t+1)=Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
其中,Xk(t+1)表示种群中第k个鸟巢在第(t+1)次迭代时的位置,Xl(t+1)表示种群中第l个鸟巢在第(t+1)次迭代时的位置,Xk(t+1)和Xl(t+1)为随机在种群中选取的两个鸟巢位置,且Xk(t+1)≠Xl(t+1),rand表示产生0到1之间的随机数;
X′i(t+1)=Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
定义li(t+1)表示鸟巢位置Xi(t+1)对应的随机游走门限值,将li(t+1)的值设置为:设Xj(t+1)表示种群中第j个鸟巢在第(t+1)次迭代时的位置,当鸟巢位置Xj(t+1)满足:|Xi(t+1)-Xj(t+1)|≤li(t+1)时,则将鸟巢位置Xj(t+1)加入到集合Li(t+1)中,当鸟巢位置Xj(t+1)满足|Xi(t+1)-Xj(t+1)|>li(t+1)时,则不将鸟巢位置Xj(t+1)加入到集合Li(t+1)中;
设f′i(t+1)表示鸟巢位置X′i(t+1)对应的适应度函数值,当f′i(t+1)<fi(t+1)时,则令鸟巢位置X′i(t+1)替代鸟巢位置Xi(t+1),当f′i(t+1)≥fi(t+1)时,则保留鸟巢位置Xi(t+1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402174.0A CN112927085B (zh) | 2021-04-14 | 2021-04-14 | 基于区块链、大数据和算法的股票风险预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402174.0A CN112927085B (zh) | 2021-04-14 | 2021-04-14 | 基于区块链、大数据和算法的股票风险预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927085A true CN112927085A (zh) | 2021-06-08 |
CN112927085B CN112927085B (zh) | 2021-10-26 |
Family
ID=76174426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110402174.0A Active CN112927085B (zh) | 2021-04-14 | 2021-04-14 | 基于区块链、大数据和算法的股票风险预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927085B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023108987A1 (zh) * | 2021-12-15 | 2023-06-22 | 平安科技(深圳)有限公司 | 基于强化学习的风险预测的方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088719A1 (en) * | 2013-09-26 | 2015-03-26 | University Of Windsor | Method for Predicting Financial Market Variability |
CN108229714A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 预测模型构建方法、门诊量预测方法及装置 |
CN108985438A (zh) * | 2018-06-26 | 2018-12-11 | 红河学院 | 一种基于邻域拓扑的布谷鸟搜索算法 |
CN111798062A (zh) * | 2020-07-08 | 2020-10-20 | 洋浦美诺安电子科技有限责任公司 | 一种基于区块链和大数据的金融数据预测系统 |
CN111930844A (zh) * | 2020-08-11 | 2020-11-13 | 罗忠明 | 基于区块链和人工智能的金融预测系统 |
CN112307672A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 |
-
2021
- 2021-04-14 CN CN202110402174.0A patent/CN112927085B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088719A1 (en) * | 2013-09-26 | 2015-03-26 | University Of Windsor | Method for Predicting Financial Market Variability |
CN108229714A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 预测模型构建方法、门诊量预测方法及装置 |
CN108985438A (zh) * | 2018-06-26 | 2018-12-11 | 红河学院 | 一种基于邻域拓扑的布谷鸟搜索算法 |
CN111798062A (zh) * | 2020-07-08 | 2020-10-20 | 洋浦美诺安电子科技有限责任公司 | 一种基于区块链和大数据的金融数据预测系统 |
CN111930844A (zh) * | 2020-08-11 | 2020-11-13 | 罗忠明 | 基于区块链和人工智能的金融预测系统 |
CN112307672A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023108987A1 (zh) * | 2021-12-15 | 2023-06-22 | 平安科技(深圳)有限公司 | 基于强化学习的风险预测的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112927085B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10783433B1 (en) | Method for training and self-organization of a neural network | |
US11107250B2 (en) | Computer architecture for artificial image generation using auto-encoder | |
CN111477247B (zh) | 基于gan的语音对抗样本生成方法 | |
CN116635866A (zh) | 用于挖掘少数类数据样本以训练神经网络的方法和系统 | |
US11755838B2 (en) | Machine learning for joint recognition and assertion regression of elements in text | |
US20200134429A1 (en) | Computer architecture for multiplier-less machine learning | |
CN112215412B (zh) | 溶解氧预测方法及装置 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN115115389A (zh) | 一种基于价值细分和集成预测的快递客户流失预测方法 | |
CN112927085B (zh) | 基于区块链、大数据和算法的股票风险预警系统 | |
CN112508177A (zh) | 一种网络结构搜索方法、装置、电子设备及存储介质 | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
KR20230086956A (ko) | 항공기 소음도를 평가하기 위한 방법 및 컴퓨터 프로그램 | |
US20200167605A1 (en) | Computer architecture for artificial image generation | |
Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
CN117521511A (zh) | 一种基于改进灰狼算法优化lstm的粮仓温度预测方法 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN116956160A (zh) | 一种基于自适应树种算法的数据分类预测方法 | |
US20220269991A1 (en) | Evaluating reliability of artificial intelligence | |
US20230097940A1 (en) | System and method for extracting and using groups of features for interpretability analysis | |
Mastelini et al. | Online multi-target regression trees with stacked leaf models | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
Kihel et al. | A novel genetic grey wolf optimizer for global optimization and feature selection | |
CN113139624A (zh) | 基于机器学习的网络用户分类方法 | |
Li et al. | Parameters optimization of back propagation neural network based on memetic algorithm coupled with genetic 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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211008 Address after: Room 1903, building 2, Tian'an headquarters center, 555 Panyu Avenue North, Donghuan street, Panyu District, Guangzhou, Guangdong 510000 Applicant after: GUANGZHOU JINGZHUAN DUOYING INVESTMENT CONSULTATION Co.,Ltd. Address before: 730000 Zhongguang yijingwan Shangcheng, Lanzhou City, Gansu Province Applicant before: Liu Xing |
|
GR01 | Patent grant | ||
GR01 | Patent grant |