[發(fā)明專(zhuān)利]基于加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的股票投資方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810094531.X
• 申請(qǐng)日: 2018-01-30
• 公開(kāi)（公告）號(hào): CN108090836A
• 公開(kāi)（公告）日: 2018-05-29
• 發(fā)明（設(shè)計(jì)）人: 夏旻;宋穩(wěn)柱;陶曄;施必成
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京信息工程大學(xué)
• 主分類(lèi)號(hào): G06Q40/06
• 分類(lèi)號(hào): G06Q40/06;G06N3/04
• 代理公司: 南京匯盛專(zhuān)利商標(biāo)事務(wù)所(普通合伙) 32238
• 代理人: 張立榮;吳揚(yáng)帆

1.一種基于加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的股票投資方法，其特征在于包括如下步驟：

步驟1)輸入股票信息矩陣的構(gòu)建：將股票數(shù)據(jù)分成長(zhǎng)度相等的時(shí)間段T，每個(gè)時(shí)間段T內(nèi)包含與時(shí)間段T相對(duì)應(yīng)的歷史股票數(shù)據(jù)，所述歷史股票數(shù)據(jù)為一個(gè)二維空間矩陣Xt(m,n)，其中m代表股票參數(shù)，所述股票參數(shù)包括開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、最低價(jià)、最高價(jià)、成交量、成交額以及漲跌幅度等，n代表當(dāng)前時(shí)間段內(nèi)的天數(shù),t表示T時(shí)間段內(nèi)的某一時(shí)刻,股票環(huán)境狀態(tài)s表示為：s＝Xt；

步驟2)訓(xùn)練數(shù)據(jù)的獲取：構(gòu)建一個(gè)能容納m個(gè)數(shù)據(jù)樣本的經(jīng)驗(yàn)池，將歷史股票信息矩陣Xt輸入加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)后獲得的樣本數(shù)據(jù)[s，a，r]按照時(shí)間順序存儲(chǔ)在經(jīng)驗(yàn)池之中，每次訓(xùn)練時(shí)隨機(jī)從經(jīng)驗(yàn)池中抽取一定量樣本batch供給網(wǎng)絡(luò)學(xué)習(xí)，其中，a為選擇的買(mǎi)賣(mài)動(dòng)作，r為通過(guò)買(mǎi)賣(mài)動(dòng)作獲得的收益，即為獎(jiǎng)勵(lì)值；

步驟3)加權(quán)密集連接卷積網(wǎng)絡(luò)模型結(jié)構(gòu)的訓(xùn)練：構(gòu)建一個(gè)加權(quán)密集連接卷積網(wǎng)絡(luò)，根據(jù)所述從經(jīng)驗(yàn)池采樣得到的batch數(shù)據(jù)的s作為加權(quán)密集連接卷積網(wǎng)絡(luò)的輸入，該加權(quán)密集連接卷積網(wǎng)絡(luò)通過(guò)Q學(xué)習(xí)方法獲得的Q值作為訓(xùn)練數(shù)據(jù)的標(biāo)記，其中，Q值為每個(gè)買(mǎi)賣(mài)動(dòng)作對(duì)應(yīng)的期望價(jià)值；

步驟4)股票買(mǎi)賣(mài)動(dòng)作的選擇：設(shè)定初始隨機(jī)選擇動(dòng)作概率為E1，最終隨機(jī)選擇動(dòng)作概率為E0，根據(jù)隨機(jī)選擇動(dòng)作概率值決定是選擇隨機(jī)動(dòng)作還是通過(guò)加權(quán)密集連接網(wǎng)絡(luò)輸出的Q值中選擇最大的Q值所對(duì)應(yīng)的動(dòng)作。

2.根據(jù)權(quán)利要求1所述的基于加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的股票投資方法，其特征在于所述步驟2)中當(dāng)經(jīng)驗(yàn)池容量達(dá)到上限，新樣本數(shù)據(jù)將替換經(jīng)驗(yàn)池中按時(shí)間順序最舊的樣本。

3.根據(jù)權(quán)利要求1所述的基于加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的股票投資方法，其特征在于所述步驟3)中加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)模型包括：

卷積核數(shù)量為64的卷積層以及若干個(gè)密集連接塊，用于圖像特征的提取,該卷積層位于輸入層之后，密集連接塊逐一地、依次地排列于該卷積層之后；

過(guò)渡層，緊隨每個(gè)密集連接塊之后，用于減小特征維度和尺寸；

全連接層，與最后一個(gè)所述密集連接塊通信連接，所述全連接層為三層，第一層全連接網(wǎng)絡(luò)輸出值經(jīng)過(guò)ReLU激活后輸入到第二層，第二層與輸出層直接相連無(wú)激活函數(shù)，輸出層設(shè)有個(gè)數(shù)為三個(gè)輸出節(jié)點(diǎn)，分別對(duì)應(yīng)地用于輸出買(mǎi)入動(dòng)作、賣(mài)出動(dòng)作以及無(wú)動(dòng)作對(duì)應(yīng)的Q值，所述買(mǎi)入動(dòng)作為：設(shè)投資總金額為π，所述買(mǎi)入動(dòng)作每次買(mǎi)入固定金額πbuy(0＜πbuy≤π)；賣(mài)出動(dòng)作為：每次賣(mài)出固定金額πSell(0＜πSell≤π)；所述無(wú)動(dòng)作為：當(dāng)投資金額達(dá)到總金額時(shí)，禁止買(mǎi)入動(dòng)作，當(dāng)投資金額等于0時(shí)，禁止賣(mài)出動(dòng)作。

4.根據(jù)權(quán)利要求3所述的基于加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的股票投資方法，其特征在于所述密集連接塊內(nèi)部包含了p層密集連接塊子層，每一層密集連接塊子層的輸入包括當(dāng)前密集連接塊子層之前所有密集連接塊子層的輸出，將之前所有密集連接塊子層的特征圖與當(dāng)前密集連接塊子層的特征圖進(jìn)行并聯(lián)，接著經(jīng)過(guò)一個(gè)瓶頸層輸出。

5.根據(jù)權(quán)利要求4所述的基于加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的股票投資方法，其特征在于所述密集連接塊中將當(dāng)前密集連接塊之前的所有密集連接塊子層特征圖與當(dāng)前密集連接塊子層的特征圖進(jìn)行并聯(lián)時(shí)，對(duì)當(dāng)前以及之前所有密集連接塊子層的特征圖進(jìn)行初始加權(quán)操作，將當(dāng)前密集連接塊子層的特征圖權(quán)重設(shè)為1，第一層的特征圖權(quán)重設(shè)置為σ(0＜σ＜1)，設(shè)之前有i層，則第i層的權(quán)值設(shè)為：