[發(fā)明專利]一種外匯市場(chǎng)預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010570897.7
• 申請(qǐng)日: 2020-06-19
• 公開（公告）號(hào): CN111798042A
• 公開（公告）日: 2020-10-20
• 發(fā)明（設(shè)計(jì)）人: 于忠鑫;呂良福;單靖翔;肖慧哲;陳凱峰;朱潔爾;代杰;詹國(guó)飛
• 申請(qǐng)（專利權(quán)）人: 光合信號(hào)（深圳）信息科技有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q40/04;G06N3/04;G06N3/08
• 代理公司: 北京卓唐知識(shí)產(chǎn)權(quán)代理有限公司 11541
• 代理人: 卜榮麗

1.一種外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，包括：

獲取外匯市場(chǎng)的歷史交易數(shù)據(jù)；

生成所述歷史交易數(shù)據(jù)對(duì)應(yīng)的多維圖片矩陣；

將所述歷史交易數(shù)據(jù)對(duì)應(yīng)的多維圖片矩陣輸入改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型；

將所述歷史交易數(shù)據(jù)對(duì)應(yīng)的多維圖片矩陣輸入改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，得到歷史交易數(shù)據(jù)對(duì)應(yīng)的特征向量；

獲取所述歷史交易數(shù)據(jù)之后預(yù)設(shè)時(shí)間間隔內(nèi)的外匯屬性數(shù)據(jù)；

并將所述外匯屬性數(shù)據(jù)，輸入改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，生成對(duì)應(yīng)的特征向量；

將所述外匯屬性數(shù)據(jù)對(duì)應(yīng)的特征向量和所述歷史交易數(shù)據(jù)對(duì)應(yīng)的特征向量拼接成輸入特征向量；

將所述輸入特征向量，輸入所述改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型分類結(jié)果的分支，得到所述目標(biāo)外匯的預(yù)測(cè)結(jié)果。

2.如權(quán)利要求1所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，所述多維圖片矩陣，以時(shí)間為橫軸，外匯的數(shù)據(jù)值為縱軸畫在二維圖片上，；以色彩為第三個(gè)維度，形成具有色彩維度的三維圖片；將N張三維圖片，存放在四維數(shù)組中，得到多維圖片矩陣。

3.如權(quán)利要求2所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，所述二維圖片以及三維圖片，包括：形成等高線地形圖、直方圖或蠟燭圖。

4.如權(quán)利要求1所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，

所述改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，創(chuàng)建流程如下：

對(duì)輸入多維矩陣進(jìn)行歸一化；

建立Centernet神經(jīng)網(wǎng)絡(luò)，包括主干網(wǎng)絡(luò)、損失函數(shù)輸出層以及數(shù)據(jù)輸入層；

Centernet神經(jīng)網(wǎng)絡(luò)前向傳播得到網(wǎng)絡(luò)輸出，包括預(yù)測(cè)結(jié)果以及輸入多維矩陣的特征向量；

Centernet神經(jīng)網(wǎng)絡(luò)反向傳播更新Centernet神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

判斷神經(jīng)網(wǎng)絡(luò)模型是否收斂到預(yù)設(shè)定精度，直到網(wǎng)絡(luò)模型已經(jīng)收斂到預(yù)設(shè)定精度，則停止訓(xùn)練；

輸出改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。

5.如權(quán)利要求4所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，所述改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，改進(jìn)的損失函數(shù)如下：

損失函數(shù)為光滑的L1損失類型，x為輸入到損失函數(shù)中的數(shù)據(jù)。

6.如權(quán)利要求1所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，所述外匯屬性數(shù)據(jù)，包括：最高價(jià)，最低價(jià)，開盤價(jià)，收盤價(jià)，清倉數(shù)量，清倉比例，建倉數(shù)量，建倉比例，大單數(shù)量，大單比例，總的交易數(shù)目。

7.如權(quán)利要求6所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，

所述外匯屬性數(shù)據(jù)為目標(biāo)外匯的外匯屬性數(shù)據(jù)；

所述建倉比例為建倉交易數(shù)目和所有交易數(shù)目的比值；

所述清倉比例為清倉交易數(shù)目和所有交易數(shù)目的比值；

所述大單數(shù)目為交易金額大于預(yù)設(shè)定大單數(shù)目閾值的交易數(shù)目；

所述小單數(shù)目為交易金額小于預(yù)設(shè)定小單數(shù)據(jù)閾值的交易數(shù)目；

其中，大單數(shù)目和小單數(shù)目，按照每筆交易買賣的外匯數(shù)量來劃分，每類外匯的大小單的數(shù)目允許為不同的。

8.如權(quán)利要求4所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，所述主干網(wǎng)絡(luò)采用MOBILENET網(wǎng)絡(luò)。

9.如權(quán)利要求1所述的外匯市場(chǎng)預(yù)測(cè)方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)反向傳播更新神經(jīng)網(wǎng)絡(luò)模型參數(shù)，具體為：從網(wǎng)絡(luò)輸出端損失函數(shù)得到一個(gè)反向的傳播梯度；將所述反向的傳播梯度逐層反傳播，得到每一層的梯度；將每一層梯度按固定比例加在每一層的參數(shù)權(quán)重上，從而更新了參數(shù)。

10.一種外匯市場(chǎng)預(yù)測(cè)系統(tǒng)，其特征在于，采用如權(quán)利要求1-9任一項(xiàng)所述的外匯市場(chǎng)預(yù)測(cè)方法實(shí)現(xiàn)，包括：數(shù)據(jù)獲取模塊、多維圖片矩陣生成模塊、神經(jīng)網(wǎng)絡(luò)模塊、特征向量生成模塊、特征向量拼接模塊以及預(yù)測(cè)結(jié)果輸出模塊；

所述數(shù)據(jù)獲取模塊，用來獲取外匯市場(chǎng)的歷史交易數(shù)據(jù)；

所述多維圖片矩陣生成模塊，用來生成所述歷史交易數(shù)據(jù)對(duì)應(yīng)的多維圖片矩陣；

所述神經(jīng)網(wǎng)絡(luò)模塊，用來生成改進(jìn)的Centernet深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型；

所述特征向量生成模塊，根據(jù)所述外匯屬性數(shù)據(jù)生成對(duì)應(yīng)的特征向量；

所述特征向量拼接模塊，用來生成拼接的輸入特征向量；

所述預(yù)測(cè)結(jié)果輸出模塊，用來得到目標(biāo)外匯的預(yù)測(cè)結(jié)果。