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

本發(fā)明涉及基于加權(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，該方法利用加權(quán)密集連接卷積對輸入的股票數(shù)據(jù)特征提取，通過跨層連接以及對不同層的特征圖賦予不同初始權(quán)值在訓(xùn)練過程中動態(tài)調(diào)整權(quán)值，從而更加有效地利用特征圖并提高網(wǎng)絡(luò)中所有層之間的信息流，在一定程度上減少層數(shù)過深導(dǎo)致訓(xùn)練過程中的梯度消失結(jié)果收斂困難的問題。通過加權(quán)密集連接卷積網(wǎng)絡(luò)輸出的Q值來選擇合適的股票買賣動作，從而獲得相應(yīng)的獎勵值，并將獎勵值、狀態(tài)存儲在經(jīng)驗池之中，訓(xùn)練時從經(jīng)驗池隨機(jī)批量采樣，加權(quán)密集連接卷積神經(jīng)網(wǎng)絡(luò)對Q?Learning算法的Q值函數(shù)進(jìn)行逼近。本發(fā)明則通過直接學(xué)習(xí)股票市場的環(huán)境因素，直接給出買賣決策。

技術(shù)領(lǐng)域

本發(fā)明屬于金融大數(shù)據(jù)技術(shù)領(lǐng)域，特別涉及了一種基于加權(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。

背景技術(shù)

改革開放以來，我國市場經(jīng)濟(jì)建設(shè)高速發(fā)展。人民的金融意識和投資意識逐漸增強(qiáng)，越來越多的民眾選擇投資股票市場來實現(xiàn)自己的資產(chǎn)增值。然而，股價漲跌無常，股市變幻莫測，投資者要想在股市投資中贏取豐厚的投資回報，成為一個成功的投資者，就得認(rèn)真研究上市公司的歷史、業(yè)績和發(fā)展前景，詳細(xì)分析上市公司的財務(wù)狀況，樹立以基本分析為主，技術(shù)分析為輔的投資理念，找出真正具有投資價值的股票，進(jìn)行長期投資。

隨著我國股票市場的不斷發(fā)展和完善，客觀形勢對股票投資者的素質(zhì)要求也越來越高。理性的投資行為需要依賴于科學(xué)的分析方法。近年來，國內(nèi)外的學(xué)者們在對研究股票市場的問題上進(jìn)行了深入的多方面的研究和探索，研究方向主要集中在以下幾個方面：

(1)基本分析法

基本分析法主要包括宏觀經(jīng)濟(jì)分析、產(chǎn)業(yè)周期分析、公司分析等?；痉治鲱A(yù)測過程的主要思想是，任何一種股票都有一個內(nèi)在價值，而它的價格是由盈利潛力決定的，盈利潛力又取決于國際環(huán)境、宏觀經(jīng)濟(jì)、國家政策、行業(yè)前景、公司業(yè)績、投資者心理等因素。基本分析有著較強(qiáng)的經(jīng)濟(jì)學(xué)含義，承認(rèn)是供求關(guān)系對價格的作用機(jī)制，較多地從影響股價變動的基本因素出發(fā)，但基本分析過于強(qiáng)調(diào)股票的內(nèi)在價值，而我國股市普遍存在的炒作現(xiàn)象，往往使其價格嚴(yán)重背離基本價值。其次，基本分析對市場的反應(yīng)比較遲鈍，預(yù)測的時剛跨度比較長，在實務(wù)中被認(rèn)同的程度不高。因此，基本分析偏重于股價的長期變動趨勢的分析預(yù)測。

(2)價格時序分析預(yù)測

相比于上面兩種分析方法，對股票價格歷史序列直接進(jìn)行建模是更加直接的分析方法了。一種流行的預(yù)測方法是使用神經(jīng)網(wǎng)絡(luò)或者支持向量機(jī)來對歷史價格序列進(jìn)行建模擬合。許多學(xué)者在將深度機(jī)器學(xué)習(xí)應(yīng)用于金融市場交易的工作時，試圖通過使用歷史市場數(shù)據(jù)來預(yù)測價格變動或趨勢。例如，在輸入歷史價格矩陣的情況下，網(wǎng)絡(luò)輸出預(yù)測下一周期的價格的向量。這個想法很簡單，因為這是一個監(jiān)督式學(xué)習(xí)的例子，更精確的說是回歸問題，但預(yù)測價格變動的準(zhǔn)確性通常難以達(dá)到。

(3)深度強(qiáng)化學(xué)習(xí)方法

深度強(qiáng)化學(xué)習(xí)模型用一個深度神經(jīng)網(wǎng)絡(luò)擬合強(qiáng)化學(xué)習(xí)模型中的Q值，完美地將機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)這兩個分支結(jié)合在一起。和上面介紹的幾種方法都不相同，之前的方法都是通過對不同因素的分析來預(yù)測股票市場價格變化趨勢，從而判斷是否進(jìn)行股票買賣。而強(qiáng)化學(xué)習(xí)則通過直接學(xué)習(xí)股票市場的環(huán)境因素，直接給出買賣決策，并通過買賣動作后的收益來判斷決策好壞，好的決策會有相應(yīng)的獎勵，同樣差的決策會有相應(yīng)的懲罰。通過這種機(jī)制進(jìn)行學(xué)習(xí)訓(xùn)練，最終以獲得收益最大化作為目標(biāo)。

密集連接卷積神經(jīng)網(wǎng)絡(luò)通過所有層之間兩兩都進(jìn)行連接的方式，從而使得信號可以在輸入層和輸出層之間高速流通，從而能夠使得網(wǎng)絡(luò)模型具有更好的收斂性，在一定程度上減輕了在訓(xùn)練過程中梯度消散的問題。并且網(wǎng)絡(luò)結(jié)構(gòu)中采用特征復(fù)用，從而大大減少了計算的參數(shù)量。

發(fā)明內(nèi)容

本發(fā)明的目的是克服上述背景技術(shù)的不足，提供一種基于加權(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，克服了傳統(tǒng)深度強(qiáng)化學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)層數(shù)加深后計算參數(shù)量大，信號傳遞緩慢的缺陷。為了實現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：