[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的K線(xiàn)形態(tài)圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811238452.8
• 申請(qǐng)日: 2018-10-23
• 公開(kāi)（公告）號(hào): CN109543716B
• 公開(kāi)（公告）日: 2021-12-21
• 發(fā)明（設(shè)計(jì)）人: 張智軍;江榮埻;顏?zhàn)右?/a>
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華南理工大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 裴磊磊

本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的K線(xiàn)形態(tài)圖像識(shí)別方法，包括步驟：1)將含有需要識(shí)別的金融K線(xiàn)形態(tài)圖像和該形態(tài)對(duì)應(yīng)的坐標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入，輸入到含有多層卷積層的神經(jīng)網(wǎng)絡(luò)中；2)將步驟1)的卷積層輸出作為區(qū)域生成網(wǎng)絡(luò)的輸入，進(jìn)行區(qū)域生成網(wǎng)絡(luò)訓(xùn)練；3)將步驟2)的區(qū)域生成網(wǎng)絡(luò)的輸出作為感興趣區(qū)域進(jìn)行池化；4)將步驟3)的感興趣區(qū)域池化結(jié)果作為Faster?RCNN檢測(cè)網(wǎng)絡(luò)的輸入；5)由步驟4)的Faster?RCNN檢測(cè)網(wǎng)絡(luò)最終生成推薦框的位置信息和推薦得分。所述方法克服了現(xiàn)有的金融量化程序難以表達(dá)分析師根據(jù)經(jīng)驗(yàn)得到的金融K線(xiàn)形態(tài)特征的問(wèn)題，能夠?qū)⒎治鰩熛胍R(shí)別的金融K線(xiàn)形態(tài)進(jìn)行學(xué)習(xí)并且用于包含金融K線(xiàn)形態(tài)特征的實(shí)時(shí)圖像識(shí)別中。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的K線(xiàn)形態(tài)圖像識(shí)別方法。

背景技術(shù)

K線(xiàn)和指標(biāo)的形態(tài)識(shí)別是金融量化投資分析中的重要部分。它的識(shí)別準(zhǔn)確性直接影響到交易的勝率，決定了量化程序的可行性，然而很多形態(tài)(比如w底形態(tài)，纏論的中樞，趨勢(shì)和盤(pán)整形態(tài)等)對(duì)于金融分析師來(lái)說(shuō)是只可意會(huì)不可言傳的。由于金融K線(xiàn)形態(tài)識(shí)別上的模糊性，必須讓形態(tài)的識(shí)別脫離于基于時(shí)間序列的根據(jù)經(jīng)驗(yàn)轉(zhuǎn)化而成的固定的量化程序，讓識(shí)別同樣能適用于不可言傳的難以用固定程序統(tǒng)一表達(dá)的形態(tài)特征。深度學(xué)習(xí)理論領(lǐng)域的研究主要集中在算法上，將其應(yīng)用到金融投資領(lǐng)域少之又少，還在處于探索、創(chuàng)建的階段，缺乏獨(dú)立的、系統(tǒng)的理論分析框架。其中，基于神經(jīng)網(wǎng)絡(luò)的K線(xiàn)形態(tài)圖像識(shí)別在文獻(xiàn)中幾乎沒(méi)有出現(xiàn)過(guò)，在實(shí)際的金融量化開(kāi)發(fā)中也少有人研究，但是K線(xiàn)形態(tài)圖像，如K線(xiàn)圖中的不同形態(tài)、K線(xiàn)圖與其他數(shù)據(jù)，還有交易量，交易指標(biāo)等的結(jié)合是大部分投資者做出投資的重要依據(jù)，僅僅時(shí)間序列的信息可能不足以反映交易情況，需要做到時(shí)間與空間的結(jié)合，這時(shí)候K線(xiàn)形態(tài)圖像的識(shí)別就尤為重要。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于深度學(xué)習(xí)的K線(xiàn)形態(tài)圖像識(shí)別方法，所述方法克服了現(xiàn)有的金融量化程序難以表達(dá)分析師根據(jù)經(jīng)驗(yàn)得到的金融K線(xiàn)形態(tài)特征的問(wèn)題，能夠?qū)⒎治鰩熛胍R(shí)別的金融K線(xiàn)形態(tài)進(jìn)行學(xué)習(xí)并且用于包含金融K線(xiàn)形態(tài)特征的實(shí)時(shí)圖像識(shí)別中。

本發(fā)明的目的可以通過(guò)如下技術(shù)方案實(shí)現(xiàn)：

一種基于深度學(xué)習(xí)的K線(xiàn)形態(tài)圖像識(shí)別方法，所述方法包括以下步驟：

1)將含有需要識(shí)別的金融K線(xiàn)形態(tài)圖像和該形態(tài)對(duì)應(yīng)的坐標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入，輸入到含有多層卷積層的神經(jīng)網(wǎng)絡(luò)中；

2)將步驟1)的卷積層輸出作為區(qū)域生成網(wǎng)絡(luò)的輸入，進(jìn)行區(qū)域生成網(wǎng)絡(luò)訓(xùn)練；

3)將步驟2)的區(qū)域生成網(wǎng)絡(luò)的輸出作為感興趣區(qū)域進(jìn)行池化；

4)將步驟3)的感興趣區(qū)域池化結(jié)果作為Faster-RCNN檢測(cè)網(wǎng)絡(luò)的輸入；

5)由步驟4)的Faster-RCNN檢測(cè)網(wǎng)絡(luò)最終生成推薦框的位置信息和推薦得分。

進(jìn)一步地，所述金融K線(xiàn)形態(tài)圖像為由K線(xiàn)及其指標(biāo)、其他金融數(shù)據(jù)指標(biāo)一種或者多種組合而成的圖像。

進(jìn)一步地，步驟2)中所述進(jìn)行區(qū)域生成網(wǎng)絡(luò)訓(xùn)練的具體過(guò)程為：將步驟1)的卷積層輸出作為區(qū)域生成網(wǎng)絡(luò)的輸入，在卷積的最后一層特征圖上使用固定大小的窗口滑動(dòng)，每個(gè)窗口輸出固定大小維度的特征，每一個(gè)窗口對(duì)候選的9個(gè)回歸框進(jìn)行回歸坐標(biāo)和分類(lèi)，為了將一個(gè)物體能夠在不同的尺寸下識(shí)別出來(lái)，采用對(duì)特征圖進(jìn)行不同大小的劃窗，生成訓(xùn)練數(shù)據(jù)的過(guò)程為先看anchor覆蓋ground truth是否超過(guò)閾值，超過(guò)就將當(dāng)前anchor的object分類(lèi)標(biāo)記為“存在”；如果都沒(méi)有超過(guò)閾值，就選擇一個(gè)覆蓋比例最大的標(biāo)記為“存在”；其中區(qū)域生成網(wǎng)絡(luò)的損失函數(shù)定義為：