[發(fā)明專利]一種基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測與決策方法

在審

• 申請?zhí)枺?/td>: 202110831728.9
• 申請日: 2021-07-22
• 公開（公告）號: CN113554226A
• 公開（公告）日: 2021-10-26
• 發(fā)明（設(shè)計）人: 陳鵬;羅航;劉忠明;夏啟斌;甘智豪;單文煜
• 申請（專利權(quán)）人: 西華大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06Q40/06;G06N3/04;G06N3/08
• 代理公司: 北京天奇智新知識產(chǎn)權(quán)代理有限公司 11340
• 代理人: 葉明博

1.一種基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測與決策方法，其特征在于：所述金融時間序列預(yù)測與決策方法包括：

讀取最新數(shù)據(jù)，并根據(jù)同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型分別計算預(yù)測價格、趨勢預(yù)測和分類概率、以及綜合預(yù)測指標(biāo)Φ；

根據(jù)綜合預(yù)測指標(biāo)Φ生成預(yù)測性交易策略，并通過直接強(qiáng)化學(xué)習(xí)模型強(qiáng)化學(xué)習(xí)交易策略得到交易決策函數(shù)D；

通過交易決策函數(shù)D計算交易決策并執(zhí)行交易；

重復(fù)上述步驟，直到交易結(jié)束。

2.根據(jù)權(quán)利要求1所述的一種基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測與決策方法，其特征在于：所述根據(jù)同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型分別計算預(yù)測價格、趨勢預(yù)測和分類概率、以及綜合預(yù)測指標(biāo)Φ包括：根據(jù)同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型中的預(yù)測器F計算預(yù)測價格；根據(jù)同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型中的分類器C計算趨勢預(yù)測以及分類概率；根據(jù)所述預(yù)測器F計算得到的預(yù)測價格、所述分類器C計算的趨勢類型以及分類概率得到綜合預(yù)測指標(biāo)其中表示預(yù)測器F預(yù)測的價格，表示分類器C預(yù)測的趨勢。

3.根據(jù)權(quán)利要求1所述的一種基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測與決策方法，其特征在于：所述根據(jù)綜合預(yù)測指標(biāo)Φ生成預(yù)測性交易策略，并通過直接強(qiáng)化學(xué)習(xí)模型強(qiáng)化學(xué)習(xí)交易策略得到交易決策函數(shù)D包括：通過同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測器F和分類器C的基于預(yù)測的啟發(fā)式交易的加權(quán)組合以及具有深度特征的基于直接強(qiáng)化學(xué)習(xí)的執(zhí)行器E的動態(tài)決策的加權(quán)組合定義交易決策函數(shù)其中，表示基于綜合預(yù)測指標(biāo)Φ的狀態(tài)s和時間t的啟發(fā)式策略，表示來自狀態(tài)s和時間t的直接強(qiáng)化學(xué)習(xí)的交易策略，f表示當(dāng)前時間序列特征表示,表示趨勢的分類概率。

4.根據(jù)權(quán)利要求1所述的一種基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測與決策方法，其特征在于：所述根據(jù)綜合預(yù)測指標(biāo)Φ生成預(yù)測性交易策略包括：

根據(jù)預(yù)測的價格和分類結(jié)果，選擇最有利的交易決策，即預(yù)測結(jié)果為價格上漲，則預(yù)測性交易決策為買入，預(yù)測結(jié)果為價格下跌，則采取賣出，如果預(yù)測結(jié)果為平，則采取持倉觀望，既不買入也不賣出，以免額外的交易手續(xù)費(fèi)損失，在此基礎(chǔ)之上，考慮到預(yù)測的準(zhǔn)確性與可靠性，通過將預(yù)測性交易策略與基于直接強(qiáng)化學(xué)習(xí)模型的強(qiáng)化學(xué)習(xí)交易策略結(jié)合得到交易決策函數(shù)D，即如果預(yù)測模型的信任度高，則采取預(yù)測性交易策略，若信任度不足，則采取較能適應(yīng)價格與環(huán)境動態(tài)變換的強(qiáng)化學(xué)習(xí)交易策略。

5.根據(jù)權(quán)利要求1-4中任意一項所述的一種基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測與決策方法，其特征在于：所述金融時間序列預(yù)測與決策方法還包括在讀取最新數(shù)據(jù)之前執(zhí)行以下步驟：

通過min-max標(biāo)準(zhǔn)化進(jìn)行數(shù)據(jù)預(yù)處理；

進(jìn)行時間序列滑動窗口處理，并拆分訓(xùn)練集與測試集；

訓(xùn)練同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型；

利用基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型提取的高價特征訓(xùn)練直接強(qiáng)化學(xué)習(xí)模型。

6.根據(jù)權(quán)利要求5所述的一種基于同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測與決策方法，其特征在于：構(gòu)建同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型包括：

首先建立深度卷積神經(jīng)網(wǎng)絡(luò)N，捕獲時間依賴性并從輸入的金融時間序列中提取特征表示；

其次，將其輸出的高維特征作為金融特征表示輸出到基于直接強(qiáng)化學(xué)習(xí)的執(zhí)行器E；

最后，在N的基礎(chǔ)上，連接兩個不同的神經(jīng)網(wǎng)絡(luò)輸出層形成預(yù)測器F和分類器C，它們共享除最后一層之外的所有神經(jīng)網(wǎng)絡(luò)層N，因此稱為同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)；

基于不同的神經(jīng)層和激活函數(shù)，預(yù)測器F和分類器C可以實(shí)現(xiàn)直接價格預(yù)測和具有相應(yīng)似然的趨勢多分類；并且，本同構(gòu)卷積神經(jīng)網(wǎng)絡(luò)提取的特征表示還可以有助于的基于直接強(qiáng)化學(xué)習(xí)的執(zhí)行器E。