股票选取方法及装置制造方法及图纸

一种股票选取方法及装置，可用于人工智能技术领域、金融领域或其他领域。方法包括：获取预设时间段内的股票历史交易数据，对股票历史交易数据进行处理，得到股票关键指标；将股票关键指标输入至预先建立的GRU选股模型中，得到走势预期结果，根据走势预测结果进行股票选取；GRU选股模型包括：Bi

【技术实现步骤摘要】
股票选取方法及装置


[0001]本专利技术涉及深度学习
，尤指一种股票选取方法及装置。

技术介绍

[0002]目前，数目庞大的上市公司里各个公司实力参差不齐，财务、简报与分析层出不穷，国内外政策与形势的不断变化也极大影响着股票市场的交易，给时间和精力有限的投资者选股带来了极大的挑战。
[0003]早期量化选股模型和股价短期预测研究多借助传统的机器学习方法，如逻辑回归、支持向量机、BP神经网络等，无法满足股票市场中海量数据的处理需求，极大的增大了人工负担与费用，无法从大量股票中选取个股进行推荐或预警。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术实施例的主要目的在于提供一种股票选取方法及装置，实现预测股价短期走势，筛选个股进行推荐和预警，减轻人工负担。
[0005]为了实现上述目的，本专利技术实施例提供一种股票选取方法，所述方法包括：
[0006]获取预设时间段内的股票历史交易数据，并对所述股票历史交易数据进行处理，得到股票关键指标；
[0007]将所述股票关键指标输入至预先建立的GRU选股模型中，得到走势预期结果，并根据所述走势预测结果进行股票选取；其中，所述GRU选股模型包括Bi
‑
GRU特征提取层、AGRU特征融合层及全连接层，所述Bi
‑
GRU特征提取层用于学习所述股票关键指标的原始序列特征，所述AGRU特征融合层用于将所述Bi
‑
GRU特征提取层学习到的序列特征与所述原始序列特征进行融合，得到融合特征，所述全连接层用于根据所述融合特征，生成所述走势预测结果。
[0008]可选的，在本专利技术一实施例中，所述对所述股票历史交易数据进行处理，得到股票关键指标包括：
[0009]根据所述股票历史交易数据进行指标计算，得到计算结果，并对得到的计算结果进行缺失值填充、异常值处理及数据归一化处理，得到所述股票关键指标。
[0010]可选的，在本专利技术一实施例中，所述方法还包括：利用所述GRU选股模型中的Bi
‑
GRU特征提取层学习所述股票关键指标的原始序列特征，得到初步序列特征。
[0011]可选的，在本专利技术一实施例中，所述方法还包括：利用所述GRU选股模型中的AGRU特征融合层，将所述Bi
‑
GRU特征提取层学习得到的初步序列特征与所述原始序列特征进行融合，得到融合特征。
[0012]可选的，在本专利技术一实施例中，所述方法还包括：利用所述GRU选股模型中全连接层对所述融合特征进行处理，得到处理后结果，并利用softmax函数对处理后结果进行计算，生成所述走势预测结果。
[0013]本专利技术实施例还提供一种股票选取装置，所述装置包括：
[0014]关键指标模块，用于获取预设时间段内的股票历史交易数据，并对所述股票历史交易数据进行处理，得到股票关键指标；
[0015]股票选取模块，用于将所述股票关键指标输入至预先建立的GRU选股模型中，得到走势预期结果，并根据所述走势预测结果进行股票选取；其中，所述GRU选股模型包括Bi
‑
GRU特征提取层、AGRU特征融合层及全连接层，所述Bi
‑
GRU特征提取层用于学习所述股票关键指标的原始序列特征，所述AGRU特征融合层用于将所述Bi
‑
GRU特征提取层学习到的序列特征与所述原始序列特征进行融合，得到融合特征，所述全连接层用于根据所述融合特征，生成所述走势预测结果。
[0016]可选的，在本专利技术一实施例中，所述关键指标模块还用于根据所述股票历史交易数据进行指标计算，得到计算结果，并对得到的计算结果进行缺失值填充、异常值处理及数据归一化处理，得到所述股票关键指标。
[0017]可选的，在本专利技术一实施例中，所述装置还包括特征序列提取模块，用于利用所述GRU选股模型中的Bi
‑
GRU特征提取层学习所述股票关键指标的原始序列特征，得到初步序列特征。
[0018]可选的，在本专利技术一实施例中，所述装置还包括特征序列融合模块，用于利用所述GRU选股模型中的AGRU特征融合层，将所述Bi
‑
GRU特征提取层学习得到的初步序列特征与所述原始序列特征进行融合，得到融合特征。
[0019]可选的，在本专利技术一实施例中，所述装置还包括走势预测模块，用于利用所述GRU选股模型中全连接层对所述融合特征进行处理，得到处理后结果，并利用softmax函数对处理后结果进行计算，生成所述走势预测结果。
[0020]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
[0021]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
[0022]本专利技术通过深度学习方法自动挖掘潜藏在海量股票交易数据中的序列特征，从大量股票中选取个股进行推荐或预警，可以提供快速的选股参考，避免了高昂的人工成本，能大大减轻人工负担，具有重要的研究意义和应用价值。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1为本专利技术实施例一种股票选取方法的流程图；
[0025]图2为本专利技术实施例中利用GRU选股模型进行走势预测的示意图；
[0026]图3为本专利技术实施例中Bi
‑
GRU特征提取层的结构示意图；
[0027]图4为本专利技术实施例中AGRU特征融合层的结构示意图；
[0028]图5为本专利技术实施例一种股票选取装置的结构示意图；
[0029]图6为本专利技术一实施例所提供的电子设备的结构示意图。
具体实施方式
[0030]本专利技术实施例提供一种股票选取方法及装置，可用于人工智能
、深度学习领域、金融领域及其他领域，需要说明的是，本专利技术的股票选取方法及装置可用于金融领域，也可用于除金融领域之外的任意领域，本专利技术的股票选取方法及装置应用领域不做限定。
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]如图1所示为本专利技术实施例一种股票选取方法的流程图，本专利技术实施例提供的股票选取方法的执行主体包括但不限于计算机。图中所示方法包括：
[0033]步骤S1，获取预设时间段内的股票历史交易数据，并对所述股票历史交易数据进行处理，得到股票关键指标。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种股票选取方法，其特征在于，所述方法包括：获取预设时间段内的股票历史交易数据，并对所述股票历史交易数据进行处理，得到股票关键指标；将所述股票关键指标输入至预先建立的GRU选股模型中，得到走势预期结果，并根据所述走势预测结果进行股票选取；其中，所述GRU选股模型包括Bi
‑
GRU特征提取层、AGRU特征融合层及全连接层，所述Bi
‑
GRU特征提取层用于学习所述股票关键指标的原始序列特征，所述AGRU特征融合层用于将所述Bi
‑
GRU特征提取层学习到的序列特征与所述原始序列特征进行融合，得到融合特征，所述全连接层用于根据所述融合特征，生成所述走势预测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述股票历史交易数据进行处理，得到股票关键指标包括：根据所述股票历史交易数据进行指标计算，得到计算结果，并对得到的计算结果进行缺失值填充、异常值处理及数据归一化处理，得到所述股票关键指标。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用所述GRU选股模型中的Bi
‑
GRU特征提取层学习所述股票关键指标的原始序列特征，得到初步序列特征。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：利用所述GRU选股模型中的AGRU特征融合层，将所述Bi
‑
GRU特征提取层学习得到的初步序列特征与所述原始序列特征进行融合，得到融合特征。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：利用所述GRU选股模型中全连接层对所述融合特征进行处理，得到处理后结果，并利用softmax函数对处理后结果进行计算，生成所述走势预测结果。6.一种股票选取装置，其特征在于，所述装置包括：关键指标模块，用于获取预设时间段内的股票历史交易数据，并对所述股票历史交易数据进行处理，得到股票关键指标；股票选取模块，用于将所述股票...

【专利技术属性】
技术研发人员：吴逸群，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：