[發明專利]一種基于同構卷積神經網絡的金融時間序列預測與決策方法

在審

• 申請號: 202110831728.9
• 申請日: 2021-07-22
• 公開（公告）號: CN113554226A
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 陳鵬;羅航;劉忠明;夏啟斌;甘智豪;單文煜
• 申請（專利權）人: 西華大學
• 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權代理有限公司 11340
• 代理人: 葉明博

本發明涉及一種基于同構卷積神經網絡的金融時間序列預測與決策方法，所述金融時間序列預測與決策方法包括：讀取最新數據，并根據同構卷積神經網絡模型分別計算預測價格、趨勢預測和分類概率、以及綜合預測指標Φ；根據綜合預測指標Φ生成預測性交易策略，并通過結合改進的直接強化學習交易策略得到交易決策函數D；通過交易決策函數D計算交易決策并執行交易；重復上述步驟，直到交易結束。本發明提出一個預測器?分類器?執行器框架，利用基于深度學習的金融時間序列預測和基于強化學習的決策來實現更好的夏普比率和實時性能；捕捉金融時間序列數據規律，通過同構卷積神經網絡架構進行預測與趨勢分類，并提出了新穎的集成預測指標。

技術領域

本發明涉及金融數據處理技術領域，尤其涉及一種基于同構卷積神經網絡的金融時間序列預測與決策方法。

背景技術

隨著信息技術的發展,時間序列數據正以驚人的速度產生于現實生活中的幾乎每一個應用領域,如金融分析、氣象研究、網絡安全、航空航天數據處理等。圍繞時間序列數據的相關研究是近年來數據挖掘領域的研究熱點。由于時間序列的高噪聲、維度多、可解釋性差等原因，對于時間序列數據分析的難度遠遠大于視覺、音頻或自然語言處理等領域，這些缺點也造成了研究與應用領域的巨大鴻溝。

現有的金融時間序列預測方法主要分為兩類，一類基于數理統計和隨機過程的時間序列分析技術，具備成熟的理論基礎和預測方法，基于一定的經濟學原理和數學假設將復雜的金融時間序列轉換為單變量、線性時間序列進行分析和預測，并且近年來也得到了不斷的改進，但針對現實世界中的多元混沌非線性非平穩高噪聲金融時間序列，這類方法的總體的實用性仍然較低；另一類則是隨著大數據時代的到來，基于海量金融數據的積累以及機器學習的迅速發展，大量基于機器學習的方法被應用于金融產品的運動趨勢和金融市場波動進行預測，例如支持向量機、隨機森林、聚類、神經網絡、強化學習、深度學習等，基于機器學習的預測方法成為了當前的研究熱點并取得了一系列的成果。但金融市場是一個極其復雜的、受外界因素影響大的大型社會系統，人為干預現象和突發事件隨時發生，市場表現出極大的不確定性和復雜性，直接預測而不考慮金融市場的交易行為與現實情況仍然存在較大差異，以股市為例，假如兩家機構基于預測認為品種A會大幅上漲，則從交易決策來說都可能會選擇按照市價大量買入A，那么因為競爭原因，兩家至少一家不能如愿買到原定的數量，其次，根據下單的時機和具體執行(例如是否拆單、如何拆等)價格本身又會因此而形成較大的波動，反過來影響到預測本身。因此，對于金融市場的異常波動和風險預警的研究，一定要考慮交易行為的復雜性以及交易執行對于價量波動性流動性等關鍵特性的影響。從本質上，交易都是為了獲利，所前所述，基于預測的金融數據分析方法成功應用于金融產品的運動趨勢預測問題，但是很多基于預測的方法并沒有明確指出如何根據預測信息建立可盈利的策略，即沒有顯式說明如何使用預測信息，而基于強化學習的分析方法不需要建立預測模型，可以通過訓練智能體來直接構建自動的金融交易決策系統，從而實現算法自動交易，因此，強化學習在金融交易決策方面取得了一系列的成果。

總而言之，基于深度學習或基于強化學習的金融時間序列預測和交易決策方面取得了令人矚目的成就。但是，針對真實的在線實時算法交易系統，仍然存在三個困難，包括：

1)預測性能仍然不能滿足真實在線交易應用，尤其是面向交易決策的金融產品價格波動預測；

2)實時性能在神經網絡訓練過程中會遇到多個問題，例如收斂失敗、收斂緩慢以及模式崩潰，導致其實時性能無法滿足在線交易；

3)金融產品的價格波動預測和動態決策相互獨立，絕大多數方法仍然只是將深度學習用于特征提取，而未能將波動預測與交易決策有機結合。

發明內容

本發明的目的在于克服現有技術的缺點，提供了一種基于同構卷積神經網絡的金融時間序列預測與決策方法，解決了現有金融時間序列預測和交易決策方面存在的問題。

本發明的目的通過以下技術方案來實現：一種基于同構卷積神經網絡的金融時間序列預測與決策方法，所述金融時間序列預測與決策方法包括：