股票推荐方法及装置、计算机设备、存储介质制造方法及图纸

本发明专利技术涉及一种股票推荐方法，包括：对目标股票组的历史股票信息进行股票画像特征提取，获得每一支股票的历史画像；根据每一支股票的历史画像和历史收益率，获得目标股票组的选股目标特征矩阵；根据每一支股票的历史画像和选股目标特征矩阵，对预先存储的深度文本匹配模型进行预训练，选择出目标模型；根据每一支股票的历史画像和选股目标特征矩阵训练目标模型；获取预测时间和待推荐股票组的历史股票信息，并将其输入目标模型，获得在预测时间待推荐股票组基于选股目标特征的排序结果。能够在预测基于股票收益率的排序应用中，表现出很高的应用价值和稳健性。此外，本发明专利技术还提供股票推荐装置、计算机设备和计算机可读存储介质。质。质。

【技术实现步骤摘要】
股票推荐方法及装置、计算机设备、存储介质


[0001]本专利技术涉及金融投资
，尤其涉及一种股票推荐方法及装置、 计算机设备、存储介质。

技术介绍

[0002]股票是一种常见的投资方式，通过投入本金，在市场估值向上波动时， 用户可以获得收益，通过股票获取尽可能多的收益是每个股民的梦想。
[0003]但是股票市场千变万化，预测股票的未来趋势目前都没有一种稳健、 应用价值高的方案。无论是股评家还是人工的分析都很难做到精准的预 测，股市的未知性和风险性依旧是很难攻克的一个方向。
[0004]因此，亟需一种股票推荐方法及装置、计算机设备、存储介质。

技术实现思路

[0005](一)要解决的技术问题
[0006]鉴于上述技术中存在的问题，本专利技术至少从一定程度上进行解决。为 此，本专利技术的一个目的在于提出了一种股票推荐方法，能够在预测基于股 票收益率的排序应用中，表现出很高的应用价值和稳健性。
[0007]本专利技术的第二个目的在于提出了一种股票推荐装置。
[0008]本专利技术的第三个目的在于提出了一种计算机设备。
[0009]本专利技术的第四个目的在于提出了一种计算机可读存储介质。
[0010](二)技术方案
[0011]为达到上述目的，本专利技术一方面提供一种股票推荐方法，包括以下步 骤：
[0012]获取目标股票组的历史股票信息；
[0013]根据历史股票信息进行股票画像特征提取，以获得目标股票组中每 一支股票的历史画像；
[0014]根据每一支股票的历史画像和每一支股票的历史收益率计算对应的 每一支股票的选股目标特征，以获得目标股票组的选股目标特征矩阵；
[0015]根据每一支股票的历史画像和选股目标特征矩阵，对预先存储的每 一个深度文本匹配模型进行预训练，以选择出目标模型；
[0016]根据每一支股票的历史画像和选股目标特征矩阵训练目标模型；
[0017]获取预测时间和待推荐股票组的历史股票信息，并将预测时间和待 推荐股票组的历史股票信息输入目标模型，以获得在预测时间待推荐股 票组基于选股目标特征的排序结果。
[0018]本专利技术实施例提供的股票推荐方法，首先获取目标股票组的历史股 票信息，并根据历史股票信息进行股票画像特征提取来获得目标股票组 中每一支股票的历史画像，然后根据每一支股票的历史画像和每一支股 票的历史收益率计算对应的每一支股票的选股
目标特征以获得目标股票 组的选股目标特征矩阵，接着根据每一支股票的历史画像和选股目标矩 阵对预先存储的每一个深度文本匹配模型进行预训练来选择出目标模型， 最后根据每一支股票的历史画像和选股目标特征矩阵训练目标模型，这 样在将预测时间和待推荐股票组的历史股票信息输入到目标模型，能够 获得在预测时间待推荐股票组基于选股目标特征的排序结果。可见，本发 明将量化投资中的选股问题转化为了机器学习中目标股票组与选股目标 的匹配问题，并根据股票历史画像和股票历史收益率构建选股目标，将选 股目标作为机器学习问答问题中的问题表示，为实现问题定义到问题解 决创造了条件，也为训练高质量的目标模型提供了支撑，以及根据每一支 股票的历史画像和选股目标矩阵对预先存储的每一个深度文本匹配模型 进行预训练，来选择出适合当前选股问答的目标模型，以降低训练数据非 独立同分布特性的不利影响，从而本专利技术将预测时间和待推荐股票组的 历史股票信息输入训练好的目标模型，能够准确预测出基于股票收益率 的排序结果，大大提高了算法的准确度，表现出很高的应用价值和稳健性。
[0019]可选地，历史股票信息包括证券市场交易数据和金融社交媒体数据， 其中，根据历史股票信息进行股票画像特征提取，包括：以资产定价视角， 从证券市场交易数据中提取传统量化因子，并从金融社交媒体数据中提 取新型社交媒体量化因子。
[0020]可选地，根据每一支股票的历史画像和每一支股票的历史收益率计 算对应的每一支股票的选股目标特征，包括：
[0021]获取每一支股票的历史画像特征矩阵以及每一支股票的历史收益率集合其中，采 用的时间窗口为周度，周度包括日历周内所有交易日，历史画像特征矩阵 是由股票画像特征向量在时间序列上向后回溯w个窗口得到，w∈N+，t
i
为某一周度时间点，j为目标组股票内的第j支股票，j<n，n为目标组股 票内的股票数量，为股票的周度画像特征向量；
[0022]降序排列R
(j)
，并从中选取排名前k个收益率对应的股票画像特 征向量，以获得每一支股票的选股目标特征矩阵的选股目标特征矩阵其中，为k
×
m维矩阵；k为收益率最优时间窗口， k＝a,1<a≤w。
[0023]可选地，获得目标股票组的选股目标特征矩阵，包括：
[0024]采用t-SNE模型对每一支股票的选股目标特征矩阵进行第一次降 维处理，以获得目标股票组的选股中间矩阵
[0025]采用PCA模型对选股中间矩阵进行第二次降维处理，以获得目 标股票组的选股目标特征矩阵
[0026]其中，第一次降维参数d
f
＝b,b∈N+；第二次降维参数d
s
＝ if(m,c),m<c<(b
×
n)。
[0027]可选地，根据每一支股票的历史画像和选股目标特征矩阵，对预先存 储的每一个深度文本匹配模型进行预训练，以选择出目标模型，包括：
[0028]根据每一支股票的历史画像和选股目标特征矩阵，使预先存储的每 一个深度文本匹配模型以其所有超参数组合进行预训练；
[0029]在预训练过程中，根据模型表现对每一个超参数组合进行评估，以获 得每一个模型的超参数组合评估值集合；
[0030]根据每一个模型的超参数组合评估值集合计算每一个模型的第一标 准差，以获得所有模型的第一标准差集合；
[0031]根据第一标准差集合计算第二标准差，并根据第二标准差选择出目 标模型。
[0032]可选地，根据第二标准差选择出目标模型，包括：
[0033]对第二标准差进行判断；
[0034]若第二标准差小于预设的第一阈值，则将第一标准差集合中的最小 标准差对应的模型作为目标模型；
[0035]若第二标准差大于等于预设的第一阈值且小于等于预设的第二阈值， 则将第一标准差集合中的最大标准差对应的模型作为目标模型；
[0036]若第二标准差大于预设的第二阈值，将第一标准差集合中的中间标 准差对应的模型作为目标模型。
[0037]可选地，根据每一支股票的历史画像和选股目标特征矩阵训练目标 模型，包括：
[0038]从目标模型的超参数组合评估值集合中选出评估值最大的超参数组 合作为目标模型的最优超参数组合；
[0039]根据最优超参数组合训练目标模型。
[0040]为达到上述目的，本专利技术另一方面提供的一种股票推本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种股票推荐方法，其特征在于，包括以下步骤：获取目标股票组的历史股票信息；根据所述历史股票信息进行股票画像特征提取，以获得所述目标股票组中每一支股票的历史画像；根据每一支股票的历史画像和每一支股票的历史收益率计算对应的每一支股票的选股目标特征，以获得所述目标股票组的选股目标特征矩阵；根据每一支股票的历史画像和所述选股目标特征矩阵，对预先存储的每一个深度文本匹配模型进行预训练，以选择出目标模型；根据每一支股票的历史画像和所述选股目标特征矩阵训练所述目标模型；获取预测时间和待推荐股票组的历史股票信息，并将所述预测时间和所述待推荐股票组的历史股票信息输入所述目标模型，以获得在预测时间所述待推荐股票组基于选股目标特征的排序结果。2.如权利要求1所述的股票推荐方法，其特征在于，所述历史股票信息包括证券市场交易数据和金融社交媒体数据，其中，根据所述历史股票信息进行股票画像特征提取，包括：以资产定价视角，从所述证券市场交易数据中提取传统量化因子，并从所述金融社交媒体数据中提取新型社交媒体量化因子。3.如权利要求1所述的股票推荐方法，其特征在于，根据每一支股票的历史画像和每一支股票的历史收益率计算对应的每一支股票的选股目标特征，包括：获取每一支股票的历史画像特征矩阵以及每一支股票的历史收益率集合其中，采用的时间窗口为周度，周度包括日历周内所有交易日，历史画像特征矩阵是由股票画像特征向量在时间序列上向后回溯w个窗口得到，w∈N+，t
i
为某一周度时间点，j为目标组股票内的第j支股票，j<n，n为目标组股票内的股票数量，为股票的周度画像特征向量；降序排列R
(j)
，并从中选取排名前k个收益率对应的股票画像特征向量，以获得每一支股票的选股目标特征矩阵的选股目标特征矩阵其中，为k
×
m维矩阵；k为收益率最优时间窗口，k＝a,1<a≤w。4.如权利要求3所述的股票推荐方法，其特征在于，获得所述目标股票组的选股目标特征矩阵，包括：采用t-SNE模型对每一支股票的选股目标特征矩阵进行第一次降维处理，以获得所述目标股票组的选股中间矩阵
采用PCA模型对所述选股中间矩阵进行第二次降维处理，以获得所述目标股票组的选股目标特征矩阵其中，第一次降维参数d
f
＝b,b∈N+；第二次降维参数d
s
＝if(m,c),m<c<(b
×
n)。5.如权利要求1所述的股票推荐方法，其特征在于，根据每一...

【专利技术属性】
技术研发人员：饶育蕾，郭刚刚，
申请(专利权)人：中南大学，
类型：发明
国别省市：