[發明專利]一種基于LSTM網絡的A股倉位動態調整方法

在審

• 申請號: 201910090251.6
• 申請日: 2019-01-30
• 公開（公告）號: CN109903157A
• 公開（公告）日: 2019-06-18
• 發明（設計）人: 顏雪松;余鵬飛;孫淼
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06N3/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 孫妮

1.一種基于LSTM網絡的A股倉位動態調整方法，其特征在于：包括以下步驟：

S101：獲取滬深300的歷史指數數據；

S102：對所述歷史指數數據進行預處理，得到預處理后的歷史指數數據；并將所述預處理后的歷史指數數據劃分為訓練數據集和預測數據集；所述預處理依次包括：標簽化處理、極值處理和標準化化處理；所述預測數據集為待調整工作日的前n個工作日對應的預處理后的歷史指數數據；其中，n為時間步長，根據實際需要設定；

S103：構建基于LSTM網絡的倉位動態調整模型，并根據所述訓練數據集，采用監督學習的方法對所述倉位動態調整模型進行訓練，得到訓練后的倉位動態調整模型；

S104：根據所述預測數據集，采用訓練后的倉位動態調整模型，對待調整工作日的滬深300指數的收益率進行預測，得到待調整工作日的滬深300指數的收益率；所述收益率為所述待調整工作日的后T個工作日的整體收益率；其中，T為大于或者等于2的正整數；

S105：根據所述收益率，獲得A股股票在待調整工作日的可持有倉位；所述收益率與所述可持有倉位為正比例關系。

2.如權利要求1所述的一種基于LSTM網絡的A股倉位動態調整方法，其特征在于：步驟S101中，獲取滬深300的歷史指數數據的方法包括：從財經網站上獲取和從專家機構獲取。

3.如權利要求1所述的一種基于LSTM網絡的A股倉位動態調整方法，其特征在于：步驟S102中，對所述歷史指數數據進行預處理，得到預處理后的歷史指數數據的步驟包括：

S201：對所述歷史指數數據進行標簽標注，得到具有收益率標簽的第一歷史指數數據；其中，對所述歷史指數數據進行標簽標注的方法為：分別計算各個工作日的后五個工作日收益率，并將各工作日的后T個工作日收益率作為收益率標簽對各工作日進行標注；所述收益率計算公式如下：

上式中，w_t為第t個工作日的收益率，e_(t+T)為第t+T個工作日的收盤價，s_(t+1)為第t+1個工作日的開盤價；

S202：對所述第一歷史指數數據進行極值處理，得到處理后的第二歷史指數數據；其中，對所述第一歷史指數數據進行極值處理的方法為：將所述第一歷史指數數據的各工作日的所述收益率標簽分別進行閾值為[0.2,-0.2]的極值處理，即將小于-0.2的收益率統一為-0.2，將大于0.2的收益率統一為0.2；

S203：采用min-max方法對所述第二歷史指數數據進行標準化，得到預處理后的歷史指數數據；其中，采用min-max方法對所述第二歷史指數數據進行標準化時，標準化的分布空間為[0,1]。

4.如權利要求1所述的一種基于LSTM網絡的A股倉位動態調整方法，其特征在于：步驟S103中，所述倉位動態調整模型依次包括：輸入層、L層隱層和輸出層；所述輸入層和輸出層均為step個普通節點，每層隱層有step個LSTM節點；隱層中的每個LSTM節點中含有的全連接神經網絡的隱藏單元數為K；其中，L和K的值通過網格搜索的方法進行確定，step為大于0的正整數，為預設值。

5.如權利要求1所述的一種基于LSTM網絡的A股倉位動態調整方法，其特征在于：步驟S103中，所述倉位動態調整模型的激活函數為雙曲正切函數；將每個時間步長最后的輸出與真實收益率標簽值之差的平方的平均值作為損失函數，損失函數表達示如下：

上式中，Y(t)為t工作日的真實收益率，由各工作日的收益率標簽得到；y(t)為工作日的預測收益率；n為樣本總數。

6.如權利要求1所述的一種基于LSTM網絡的A股倉位動態調整方法，其特征在于：步驟S103中，根據所述訓練數據集，采用監督學習的方法對所述倉位動態調整模型進行訓練時，時間步長為20，初始化學習率為0.001，每迭代3000步學習率衰減0.9，權值初始化為服從正態分布，節點保留概率為0.6,迭代次數設置為20000次。

7.如權利要求1所述的一種基于LSTM網絡的A股倉位動態調整方法，其特征在于：步驟S105中，根據所述收益率ω，獲得A股股票在待調整工作日的可持有倉位Z時，待調整工作日的可持有倉位Z的取值范圍為[0,1],Z的取值根據實際情況，在參考所述收益率ω的值的情況下，自行設定。