[發(fā)明專利]一種股市量化投資的金融科技人工智能優(yōu)化方法及裝置

在審

• 申請?zhí)枺?/td>: 201910762562.2
• 申請日: 2019-08-19
• 公開（公告）號: CN110490746A
• 公開（公告）日: 2019-11-22
• 發(fā)明（設(shè)計）人: 王嘉宏;吳曉晶;林竹文
• 申請（專利權(quán)）人: 福建工程學(xué)院
• 主分類號: G06Q40/06
• 分類號: G06Q40/06;G06Q40/04;G06N3/04;G06N3/08
• 代理公司: 33246 浙江千克知識產(chǎn)權(quán)代理有限公司
• 代理人: 裴金華<國際申請>=<國際公布>=<進入

1.一種股市量化投資的金融科技人工智能優(yōu)化方法，其特征為，包括：

獲取股票歷史價格數(shù)據(jù)，對所述股票歷史價格數(shù)據(jù)進行預(yù)處理，獲得處理后數(shù)據(jù)；

將所述處理后數(shù)據(jù)導(dǎo)入篩選獲得的最優(yōu)神經(jīng)網(wǎng)絡(luò)模型中，獲得股票預(yù)測價格；

將所述股票預(yù)測價格導(dǎo)入至預(yù)設(shè)的規(guī)則中，獲得最優(yōu)投資組合比例。

2.根據(jù)權(quán)利要求1所述的一種股市量化投資的金融科技人工智能優(yōu)化方法，其特征為，“對所述股票歷史價格數(shù)據(jù)進行預(yù)處理”具體包括：

讀取所述股票歷史價格數(shù)據(jù)的csv文件，將所述csv文件以DataFrame類型保存并將含有空值的行進行刪除，獲得可使用股票歷史數(shù)據(jù)；

將所述可使用股票歷史數(shù)據(jù)按照預(yù)設(shè)的比例分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

對所述訓(xùn)練數(shù)據(jù)與所述測試數(shù)據(jù)進行取均值、歸一化。

3.根據(jù)權(quán)利要求1所述的一種股市量化投資的金融科技人工智能優(yōu)化方法，其特征為，“將所述處理后數(shù)據(jù)導(dǎo)入篩選獲得的最優(yōu)神經(jīng)網(wǎng)絡(luò)模型中，獲得股票預(yù)測價格”具體包括：

將所述處理后數(shù)據(jù)導(dǎo)入訓(xùn)練神經(jīng)網(wǎng)絡(luò)中，通過反向傳播求解所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)梯度；

根據(jù)所述參數(shù)梯度優(yōu)化所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù)，獲得優(yōu)化神經(jīng)網(wǎng)絡(luò)；

判斷所述優(yōu)化神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)是否達到最大值，若達到最大值，則判斷所述優(yōu)化神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差是否在預(yù)設(shè)范圍內(nèi)，若未達到最大值，則重新將所述處理后數(shù)據(jù)導(dǎo)入訓(xùn)練神經(jīng)網(wǎng)絡(luò)中再次訓(xùn)練；

若所述預(yù)測誤差不在預(yù)設(shè)范圍內(nèi)，則重新將所述處理后數(shù)據(jù)導(dǎo)入訓(xùn)練神經(jīng)網(wǎng)絡(luò)中再次訓(xùn)練，若所述預(yù)測誤差在預(yù)設(shè)范圍內(nèi)，則將所述優(yōu)化神經(jīng)網(wǎng)絡(luò)作為最優(yōu)神經(jīng)網(wǎng)絡(luò)模型，并將所述處理后數(shù)據(jù)導(dǎo)入所述最優(yōu)神經(jīng)網(wǎng)絡(luò)模型，獲得股票預(yù)測價格。

4.根據(jù)權(quán)利要求1所述的一種股市量化投資的金融科技人工智能優(yōu)化方法，其特征為，“將所述股票預(yù)測價格導(dǎo)入至預(yù)設(shè)的規(guī)則中，獲得最優(yōu)投資組合比例”具體包括：

獲取所述股票預(yù)測價格，根據(jù)所述股票預(yù)測價格與所述股票歷史價格數(shù)據(jù)得到股票期望收益值；

根據(jù)所述股票期望收益值確定股票的標(biāo)準(zhǔn)差、協(xié)方差；

根據(jù)所述標(biāo)準(zhǔn)差、協(xié)方差確定最優(yōu)投資組合比例。

5.一種股市量化投資的金融科技人工智能優(yōu)化裝置，其特征為，包括：

獲取模塊：獲取股票歷史價格數(shù)據(jù)，對所述股票歷史價格數(shù)據(jù)進行預(yù)處理，獲得處理后數(shù)據(jù)；

處理模塊：將所述處理后數(shù)據(jù)導(dǎo)入篩選獲得的最優(yōu)神經(jīng)網(wǎng)絡(luò)模型中，獲得股票預(yù)測價格；

運算模塊：將所述股票預(yù)測價格導(dǎo)入至預(yù)設(shè)的規(guī)則中，獲得最優(yōu)投資組合比例。

6.根據(jù)權(quán)利要求5所述的一種股市量化投資的金融科技人工智能優(yōu)化裝置，其特征為，“對所述股票歷史價格數(shù)據(jù)進行預(yù)處理”具體包括：

處理模塊：讀取所述股票歷史價格數(shù)據(jù)的csv文件，將所述csv文件以DataFrame類型保存并將含有空值的行進行刪除，獲得可使用股票歷史數(shù)據(jù)；

將所述可使用股票歷史數(shù)據(jù)按照預(yù)設(shè)的比例分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

對所述訓(xùn)練數(shù)據(jù)與所述測試數(shù)據(jù)進行取均值、歸一化。

7.根據(jù)權(quán)利要求5所述的一種股市量化投資的金融科技人工智能優(yōu)化裝置，其特征為，“將所述處理后數(shù)據(jù)導(dǎo)入篩選獲得的最優(yōu)神經(jīng)網(wǎng)絡(luò)模型中，獲得股票預(yù)測價格”具體包括：

處理模塊：將所述處理后數(shù)據(jù)導(dǎo)入訓(xùn)練神經(jīng)網(wǎng)絡(luò)中，通過反向傳播求解所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)梯度；

根據(jù)所述參數(shù)梯度優(yōu)化所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù)，獲得優(yōu)化神經(jīng)網(wǎng)絡(luò)；

判斷所述優(yōu)化神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)是否達到最大值，若達到最大值，則判斷所述優(yōu)化神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差是否在預(yù)設(shè)范圍內(nèi)，若未達到最大值，則重新將所述處理后數(shù)據(jù)導(dǎo)入訓(xùn)練神經(jīng)網(wǎng)絡(luò)中再次訓(xùn)練；

若所述預(yù)測誤差不在預(yù)設(shè)范圍內(nèi)，則重新將所述處理后數(shù)據(jù)導(dǎo)入訓(xùn)練神經(jīng)網(wǎng)絡(luò)中再次訓(xùn)練，若所述預(yù)測誤差在預(yù)設(shè)范圍內(nèi)，則將所述優(yōu)化神經(jīng)網(wǎng)絡(luò)作為最優(yōu)神經(jīng)網(wǎng)絡(luò)模型，并將所述處理后數(shù)據(jù)導(dǎo)入所述最優(yōu)神經(jīng)網(wǎng)絡(luò)模型，獲得股票預(yù)測價格。

8.根據(jù)權(quán)利要求5所述的一種股市量化投資的金融科技人工智能優(yōu)化裝置，其特征為，“將所述股票預(yù)測價格導(dǎo)入至預(yù)設(shè)的規(guī)則中，獲得最優(yōu)投資組合比例”具體包括：

運算模塊：獲取所述股票預(yù)測價格，根據(jù)所述股票預(yù)測價格與所述股票歷史價格數(shù)據(jù)得到股票期望收益值；

根據(jù)所述股票期望收益值確定股票的標(biāo)準(zhǔn)差、協(xié)方差；

根據(jù)所述標(biāo)準(zhǔn)差、協(xié)方差確定最優(yōu)投資組合比例。