[發明專利]股票收益率預測方法、裝置、電子設備及介質

在審

• 申請號: 202211269932.7
• 申請日: 2022-01-04
• 公開（公告）號: CN115545322A
• 公開（公告）日: 2022-12-30
• 發明（設計）人: 李勝浩;楊帆;吳皓;李孜
• 申請（專利權）人: 工銀瑞信基金管理有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q40/04;G06Q40/06;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 王文思

1.一種股票收益率預測方法，包括：

獲取當前交易日的至少一個測試數據集，其中，所述測試數據集從原始股票特征數據中拆分得到，所述原始股票特征數據包括原始量價數據、中間特征數據和未定義因子數據；

將至少一個所述測試數據集輸入訓練好的股票收益率預測模型，提取潛在因子序列，其中，所述潛在因子序列具有預設維度且與股票收益率的排序準確度相關；

將所述潛在因子序列再次輸入所述股票收益率預測模型，預測下一個交易日的目標收益率；

其中，所述股票收益率預測模型依次包括雙層LSTM網絡層、全連接層、隱因子層和預測層，其中，所述雙層LSTM網絡層依次包括第一LSTM層和第二LSTM層，所述雙層LSTM網絡層不做隱藏狀態或細胞狀態共享，所述第一LSTM層用于學習低階時序特征，所述第二LSTM層用于學習相較于所述低階時序特征高階的特征；

所述全連接層用于接收所述雙層LSTM網絡層輸出的特征向量，所述隱因子層在所述輸出的特征向量中依次提取預設維度且與股票收益率排序準確度相關的潛在因子分量，構成潛在因子序列，所述全連接層和隱因子層內部采用激活函數tanh；

所述預測層用于根據所述潛在因子序列來預測目標收益率，所述預測層不引入激活函數。

2.根據權利要求1所述的方法，其中，所述股票收益率預測模型根據以下方式訓練得到：

獲取多個歷史時段的原始股票特征數據，將所述原始股票特征數據拆分為訓練數據集和測試數據集；

對所述訓練數據集進行特征工程處理，得到標準樣本集；

根據預設分批策略對所述標準樣本集進行分批，得到每批標準樣本集；

分別以按日分批的收益率的秩和隱因子層的相關系數為目標函數，將所述每批標準樣本集輸入股票收益率預測模型進行訓練，得到訓練好的股票收益率預測模型。

3.根據權利要求1或2所述的方法，其中，所述原始量價數據包括開盤價、收盤價、當日最高價、當日最低價、成交量加權平均價、換手率和交易量；

所述中間特征數據包括動量、變異系數、偏度和峰度系數；

所述未定義因子數據通過因子搜索算法挖掘得出。

4.根據權利要求2所述的方法，其中，所述特征工程處理依次包括：

將所述訓練數據集按照時間順序進行排序；

利用極值推壓方法剔除所述訓練數據集中的部分極值；

將剔除極值后的訓練數據集通過標準化轉換為服從標準正態分布的標準數據集；

按照日期截面對所述標準數據集進行標準化，得到標準樣本集。

5.根據權利要求4所述的方法，其中，所述極值推壓方法包括以下步驟：

將所述訓練數據集表示為原矩陣，計算所述原矩陣的中值矩陣和中值距離矩陣；

根據所述中值矩陣和中值距離矩陣，確定特征最大值矩陣和特征最小值矩陣；

對所述原矩陣按照所述特征最大值矩陣和特征最小值矩陣進行裁剪，得到線性矩陣和差異矩陣；

利用指數函數為所述差異矩陣賦值非線性權重，根據所述線性矩陣、差異矩陣以及所述差異矩陣的非線性權重，確定剔除極值后的訓練數據集。