[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡的股票K線識別方法

在審

• 申請?zhí)枺?/td>: 201910525091.3
• 申請日: 2019-06-18
• 公開（公告）號: CN110263843A
• 公開（公告）日: 2019-09-20
• 發(fā)明（設計）人: 吳同偉
• 申請（專利權）人: 蘇州梧桐匯智軟件科技有限責任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q40/06
• 代理公司: 蘇州市中南偉業(yè)知識產權代理事務所(普通合伙) 32257
• 代理人: 李艾

本發(fā)明公開了一種基于深度神經(jīng)網(wǎng)絡的股票K線識別方法。本發(fā)明一種基于深度神經(jīng)網(wǎng)絡的股票K線識別方法，包括：其中，神經(jīng)網(wǎng)絡模型主要由三個子神經(jīng)網(wǎng)絡構成，分別是特征提取網(wǎng)絡、候選框提取網(wǎng)絡以及候選框優(yōu)化網(wǎng)絡；特征提取網(wǎng)絡由卷積層(conv)、激活層(RELU)和池化層(pooling)組成；候選框提取網(wǎng)絡由單通道卷積層和損失函數(shù)層(softmax)構成，輸出有兩組，分別對應K個候選框的前景得分和位置調整量，對得到的前景候選框做篩選，篩選后的候選框特征輸入候選框優(yōu)化網(wǎng)絡，其中，K為正整數(shù)。本發(fā)明的有益效果：提高K線圖識別速度，為基于K線圖的投資流派提供技術參考；從過往股市K線圖中學習波動規(guī)律，為制定投資策略提供參考。

技術領域

本發(fā)明涉及股票K線識別領域，具體涉及一種基于深度神經(jīng)網(wǎng)絡的股票K線識別方法。

背景技術

半個世紀以前，圖像識別就已經(jīng)是一個火熱的研究課題。

1950年中-1960年初，感知機吸引了機器學習學者的廣泛關注。這是因為當時數(shù)學證明表明，如果輸入數(shù)據(jù)線性可分，感知機可以在有限迭代次數(shù)內收斂。感知機的解是超平面參數(shù)集，這個超平面可以用作數(shù)據(jù)分類。然而，感知機卻在實際應用中遇到了很大困難，因為(1)多層感知機暫時沒有有效訓練方法，導致層數(shù)無法加深，(2)由于采用線性激活函數(shù)，導致無法處理線性不可分問題，比如“與或”。

這些問題隨著后向傳播(back propagation，BP)算法和非線性激活函數(shù)的提出得到解決。1989年，BP算法被首次用于CNN中處理2-D信號(圖像)。

2012年，ImageNet挑戰(zhàn)賽中CNN證明了它的實力，從此在圖像識別和其他應用中被廣泛采納。目前提到CNNs和卷積神經(jīng)網(wǎng)絡，學術界和工業(yè)界不再進行特意區(qū)分，一般都指深層結構的卷積神經(jīng)網(wǎng)絡，層數(shù)從“幾層”到“幾十上百”不定。

CNNs目前在很多很多研究領域取得了巨大的成功，例如:語音識別，圖像識別，圖像分割，自然語言處理等。雖然這些領域中解決的問題并不相同，但是這些應用方法都可以被歸納為:CNNs可以自動從(通常是大規(guī)模)數(shù)據(jù)中學習特征，并把結果向同類型未知數(shù)據(jù)泛化。

與本發(fā)明相關的現(xiàn)有技術

1、“一種基于深度學習的K線形態(tài)圖像識別方法”(申請公布號：CN 109543716 A)識別K線步驟：1)將含有需要識別的金融K線形態(tài)圖像和該形態(tài)對應的坐標作為神經(jīng)網(wǎng)絡的輸入，輸入到含有多層卷積層的神經(jīng)網(wǎng)絡中；2)將步驟1)的卷積層輸出作為區(qū)域生成網(wǎng)絡的輸入，進行區(qū)域生成網(wǎng)絡訓練；3)將步驟2)的區(qū)域生成網(wǎng)絡的輸出作為感興趣區(qū)域進行池化；4)將步驟3)的感興趣區(qū)域池化結果作FasterRCNN檢測網(wǎng)絡的輸入；5)由步驟4)的FasterRCNN檢測網(wǎng)絡最終生成推薦框的位置信息和推薦得分。該方法存在的問題有：并非所有K線圖都包含特定模式，強行識別將會導致結果過擬合從而失去實際應用價值。

2、“一種基于K線數(shù)據(jù)相似度的股票走勢預測方法”(申請公布號：CN 107977755A)主要步驟：步驟S1，用戶選中K線數(shù)據(jù)；步驟S2，按照預設規(guī)則提取K線數(shù)據(jù)特征；步驟S3，向數(shù)據(jù)庫檢索相同特征；步驟S4，是否匹配到多個相似特征值，若是，則執(zhí)行步驟S6，若否，則執(zhí)行步驟S5；步驟S5，計算最相似的K線數(shù)據(jù)；步驟S6，提取相似度最高的K線數(shù)據(jù)并展示。該方法存在的問題有：采用原始的相似圖片識別算法，只有在k線特征匹配度很高時才能擬合，實際上股市k線形狀千變萬化，此種方法匹配效果較差。

傳統(tǒng)技術存在以下技術問題：

1.原始圖像特征提取技術不適合形態(tài)萬千的股市k線圖識別。

2.K線識別只能作為參考，不可作為主要決策依據(jù)，通過神經(jīng)網(wǎng)絡推薦K線模式既存在過擬合問題，又缺乏科學性依據(jù)。

發(fā)明內容