AI多因子选股方法、系统及介质技术方案

本发明专利技术提供了一种AI多因子选股方法、系统及介质，包括：步骤1：整理因子数据，并搭建神经网络模型；步骤2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；步骤3：根据选取的有效因子，确定最终的神经网络模型；步骤4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司。本发明专利技术通过使用神经网络模型，解决了因子权重难以确定的问题。运用深度神经网络模型，简化模型搭建和计算过程，充分运用计算机算力，使复杂的多层非线性模型可以应用到实际中，有效的减少了多因子模型的误差。

AI multi factor stock selection method, system and medium

【技术实现步骤摘要】
AI多因子选股方法、系统及介质
本专利技术涉及人工智能
，具体地，涉及AI多因子选股方法、系统及介质。
技术介绍
证券是多种经济权益凭证的统称，因此，广义上的证券市场指的是所有证券发行和交易的场所，狭义上，也是最活跃的证券市场指的是资本证券市场、货币证券市场和商品证券市场。是股票、债券、商品期货、股票期货、期权、利率期货等证券产品发行和交易的场所。证券市场是市场经济发展到一定阶段的产物，是为解决资本供求矛盾和流动性而产生的市场。证券市场以证券发行和交易的方式实现了筹资与投资的对接，有效地化解了资本的供求矛盾和资本结构调整的难题。在发达的市场经济中，证券市场是完整的市场体系的重要组成部分，它不仅反映和调节货币资金的运动，而且对整个经济的运行具有重要影响。而人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。本专利技术就是与人工智能结合选股方法结合专利技术一套AI多因子选股方法。专利文献CN108171607A(申请号：201810080251.3)公开了一种AI选股方法及装置。所述的基定板上固定有限位轴承，所述的限位轴承内部开有限位腔，并且在中心位置设有轴套a；所述的转轴贯通于限位轴承内，所述的转轴中间位置固定有限位片，转轴末端固定有转盘；本专利技术是一种将人工智能技术应用于证券市场的新兴择股方法。所述方法包括：用数据挖掘算法挖掘海量多维数据，针对数据提供非线性关系的模糊处理，探索市场中蕴藏的复杂的非线性规律，实时选择有涨势潜力的股票。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种AI多因子选股方法、系统及介质。根据本专利技术提供的根据本专利技术提供的一种AI多因子选股方法，包括：步骤1：整理因子数据，并搭建神经网络模型；步骤2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；步骤3：根据选取的有效因子，确定最终的神经网络模型；步骤4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司；优选地，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；所述财务因子包括：市值、市盈率；所述技术面因子包括：K线形态；优选地，所述步骤1包括如下步骤：步骤1.1：对全部因子数据进行标准化并分成训练集和测试集；步骤1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；步骤1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；步骤1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，返回步骤1.2继续执行。优选地，所述步骤1.3：所述微调指调制模型参数；所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。本专利技术提供的AI多因子选股系统，可以通过本专利技术给的AI多因子选股方法的步骤流程实现。本领域技术人员可以将所述AI多因子选股方法，理解为所述AI多因子选股系统的一个优选例。根据本专利技术提供的一种AI多因子选股系统，包括：模块1：整理因子数据，并搭建神经网络模型；模块2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；模块3：根据选取的有效因子，确定最终的神经网络模型；模块4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司；优选地，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；所述财务因子包括：市值、市盈率；所述技术面因子包括：K线形态；优选地，所述模块1包括如下模块：模块1.1：对全部因子数据进行标准化并分成训练集和测试集；模块1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；模块1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；模块1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，调用模块1.2。优选地，所述模块1.3：所述微调指调制模型参数；所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。根据本专利技术提供的一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现上述中任一项所述的AI多因子选股方法的步骤。与现有技术相比，本专利技术具有如下的有益效果：1)本专利技术通过使用神经网络模型，解决了因子权重难以确定的问题。简单线性模型的准确率难以满足要求，而基础算法下非线性模型的计算量过大，且模型结构难以确定。运用深度神经网络模型，简化模型搭建和计算过程，充分运用计算机算力，使复杂的多层非线性模型可以应用到实际中，有效的减少了多因子模型的误差。2)本专利技术通过使用神经网络模型，解决了因子有效性难以确定的问题因子有效性检验算法种类使用繁琐。运用深度神经网络模型可以简化此过程，在算力允许的情况下，将所有因子放入模型，观察最终模型不同因子的权重值，即可知道其有效性。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术提供的神经网络模型搭建示意图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。根据本专利技术提供的一种AI多因子选股方法，包括：步骤1：整理因子数据，并搭建神经网络模型；步骤1：整理因子数据(方法包括：特征提取、标准化)，并应用tensorflow、keras方法搭建神经网络模型。步骤2：将整理过的数据作为模型输入值输入搭建好的神经网络，模型的输出值为每个输入值对应的权重即因子权重(可以理解为因子对最终结果的影响程度，权重绝对值越大，影响程度越高)选取权重绝对值大于预设值的因子作为有效因子。(即选取影响程度较大的因子作为有效因子)步骤3：将步骤2选取的有效因子作为最终神经网络模型本文档来自技高网...

【技术保护点】
1.一种AI多因子选股方法，其特征在于，包括：/n步骤1：整理因子数据，并搭建神经网络模型；/n步骤2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；/n步骤3：根据选取的有效因子，确定最终的神经网络模型；/n步骤4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司。/n

【技术特征摘要】
1.一种AI多因子选股方法，其特征在于，包括：
步骤1：整理因子数据，并搭建神经网络模型；
步骤2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；
步骤3：根据选取的有效因子，确定最终的神经网络模型；
步骤4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司。


2.根据权利要求1所述的AI多因子选股方法，其特征在于，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；
所述财务因子包括：市值、市盈率；
所述技术面因子包括：K线形态。


3.根据权利要求1所述的AI多因子选股方法，其特征在于，所述步骤1包括如下步骤：
步骤1.1：对全部因子数据进行标准化并分成训练集和测试集；
步骤1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；
步骤1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；
步骤1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，返回步骤1.2继续执行。


4.根据权利要求3所述的AI多因子选股方法，其特征在于，所述步骤1.3：
所述微调指调制模型参数；
所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。


5.一种AI多因子选股系统，其特征在于，包括：
模块1：整理因...

【专利技术属性】
技术研发人员：李天怡，米楠，梁钰，王宁，
申请(专利权)人：上海银赛计算机科技有限公司，
类型：发明
国别省市：上海;31