基于序列到图的股票趋势预测方法和装置制造方法及图纸

本发明专利技术提供了一种基于序列到图的股票趋势预测方法和装置，涉及金融技术领域，方法包括：获取股票交易历史数据中的时序数据；从时序数据中采样获得股票的技术指标序列数据；利用水平传播方法将技术指标序列数据转换为包含了时空特征的二维图像；将二维图像作为卷积神经网络分类模型的输入，经过卷积运算后输出得到股票趋势分类结果。本发明专利技术将技术指标时间序列数据转换成图，一方面可以有效提高模型的计算效率，另一方面可以在时空中同时学习到股票趋势信息，趋势判断结果更加精准。另外本申请通过对技术指标序列数据组合后的图像数据，采用卷积神经网络方法学习到更易区分的类别，平衡了传统技术中阈值设定方法的不平衡问题。平衡了传统技术中阈值设定方法的不平衡问题。平衡了传统技术中阈值设定方法的不平衡问题。

【技术实现步骤摘要】
基于序列到图的股票趋势预测方法和装置


[0001]本专利技术涉及金融
，尤其涉及一种基于序列到图的股票趋势预测方法和装置。

技术介绍

[0002]股市被认为是全球最重要的投资场所之一。许多金融机构、银行、法律实体和个人将大量资产投资于这些市场。因此，每个国家的股市都是经济增长的指标之一。这就是为什么股市变化如此重要，以至于它们是由许多因素造成的，如宏观经济形势、新闻、公司财务报告、平行市场状况、投资者的心理和情绪状况、法律成分和其他隐藏因素。因此，投资者和研究人员希望能够准确预测股市趋势。鉴于影响股市的许多因素，机器学习和深度学习方法可以帮助我们改进预测。
[0003]目前股票预测领域使用统计分析方法、机器学习方法和深度学习方法做出了各种努力。与此同时，深度学习方法的性能明显优于统计方法或传统机器学习方法。深度学习方法可以根据深度学习架构对模型进行分类。现有技术中有许多不同的方法来确定分类。有些方案使用阈值来确定类，这意味着，如果价格变化率超过α百分比，这被认为是看涨的，如果价格下跌超过α百分比，它被认为是看跌的。然而在，确定这种分类方法时，获得的类将无法平衡，这在模型学习中会造成许多问题。深度学习框架可以很好的平衡这种阈值缺陷，目前利用深度学习来预测股票趋势的时候，有些技术利用图像编码的时间序列和CNN网络来预测趋势，但是这些技术是直接将股票各个时段的k线图像输入至模型中，这种技术仅可以在时间趋势上捕获趋势信息，对股票趋势的空间特征无效。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于序列到图的股票趋势预测方法和装置，以解决上述提及的至少一个问题。
[0005]为了实现上述目的，本专利技术采用以下方案：
[0006]根据本专利技术的第一方面，提供一种基于序列到图的股票趋势预测方法，所述方法包括：获取股票交易历史数据中的时序数据；从所述时序数据中采样获得股票的技术指标序列数据；利用水平传播方法将所述技术指标序列数据转换为包含了时空特征的二维图像；将所述二维图像作为卷积神经网络分类模型的输入，经过卷积运算后输出得到股票趋势分类结果。
[0007]根据本专利技术的第二方面，提供一种基于序列到图的股票趋势预测装置，所述装置包括：时序数据获取单元，用于获取股票交易历史数据中的时序数据；指标序列获取单元，用于从所述时序数据中采样获得股票的技术指标序列数据；图像转化单元，用于利用水平传播方法将所述技术指标序列数据转换为包含了时空特征的二维图像；分类预测单元，用于将所述二维图像作为卷积神经网络分类模型的输入，经过卷积运算后输出得到股票趋势分类结果。
[0008]根据本专利技术的第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。
[0009]根据本专利技术的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0010]根据本专利技术的第五方面，提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述方法的步骤。
[0011]由上述技术方案可知，本专利技术提出对于股票历史交易数据的预处理方法，将技术指标时间序列数据转换成图，一方面可以有效提高模型的计算效率，另一方面可以在时空中同时学习到股票趋势信息，趋势判断结果更加精准。另外本申请通过对技术指标序列数据组合后的图像数据，采用卷积神经网络方法学习到更易区分的类别，平衡了传统技术中阈值设定方法的不平衡问题。
附图说明
[0012]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，下面将对实施例或现有技术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。在附图中：
[0013]图1是本申请实施例提供的一种基于序列到图的股票趋势预测方法的流程示意图；
[0014]图2是本申请实施例提供的一种基于序列到图的股票趋势预测装置的结构示意图；
[0015]图3是本申请实施例提供的图像转化单元的结构示意图；
[0016]图4是本申请实施例提供的电子设备的系统构成示意框图。
具体实施方式
[0017]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0018]本申请克服了现有技术基于阈值分类造成的类不平衡问题，解决了深度学习框架下的股票趋势预测分类问题，解决了在时序数据到图数据上的时空特征捕获，使得能够采用图卷积网络在三通道下进行特征学习。如图1所示为本申请实施例提供的一种基于序列到图的股票趋势预测方法的流程示意图，该方法包括如下步骤：
[0019]步骤S101：获取股票交易历史数据中的时序数据。
[0020]股票交易过程中会产生大量的数据，这些数据大多是和时间相关的数据，比如股票的k线数据、各种技术指标数据、买入卖出数据等，其都具有时间属性，在本步骤中所指的时序数据即带有这种时间属性的数据。
[0021]在本实施例中，获取的时序数据的时间段可以根据需要预测股票的趋势时间段来调整，总体来说，预测的趋势时间段越长，需要获取的时序数据的时间段也相应越长，即数
据量越大。
[0022]步骤S102：从所述时序数据中采样获得股票的技术指标序列数据。
[0023]股票中的技术指标是通过统计工具从市场动量、大规模变化和许多其他类型的信息等不同方面获得的代表股市状况的数据，这些信息对所有投资者和交易员都至关重要，是股票趋势判断的重要依据。
[0024]优选的，本申请实施例中的技术指标包括但不限于：异同移动平均线MACD、和/或动向指标MDI、和/或三重指数平滑平均线TRIX、和/或能量指标CR、和/或指数移动平均值EMA等。这些数据都是时间线上连续的数据，体现在图表中都是线状或柱状图，因此本实施例可以根据不同的采用频率获取不同时间点上的技术指标数据，使其成为行数为1的矩阵，比如可以通过如下公式(1)来代表该矩阵：
[0025][0026]其中S代表技术指标序列，v1、v2…
v
t
代表技术指标属性数据。可见采样得到的技术指标序列数据也是一种时间序列数据。
[0027]因此相应的，本步骤中的采样得到的技术指标序列数据包括但不限于：异同移动平均线MACD序列数据、和/或动向指标MDI序列数据、和/或三重指数平滑平均线TRIX序列数据、和/或能量指标CR序列数据、和/或指数移动平均值EMA序列数据。
[0028]优选的，在本实施例中，根据指标的不同，采样得到的技术指标属性可以不同，比如，当技术指标序列数据为异同移动平均线MACD序列数据时，其属性可以通过如下方式得到：利用所述时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于序列到图的股票趋势预测方法，其特征在于，所述方法包括：获取股票交易历史数据中的时序数据；从所述时序数据中采样获得股票的技术指标序列数据；利用水平传播方法将所述技术指标序列数据转换为包含了时空特征的二维图像；将所述二维图像作为卷积神经网络分类模型的输入，经过卷积运算后输出得到股票趋势分类结果。2.如权利要求1所述的基于序列到图的股票趋势预测方法，其特征在于，所述技术指标序列数据为行数为1的输入矩阵，所述利用水平传播方法将所述技术指标序列数据转换为包含了时空特征的二维图像包括：通过在所述输入矩阵的末尾添加0来调整所述输入矩阵的列数，使得所述列数等于整数N的平方；将所述输入矩阵转换为N
×
N像素的二维图像。3.如权利要求1所述的基于序列到图的股票趋势预测方法，其特征在于，所述技术指标序列数据包括：异同移动平均线MACD序列数据、和/或动向指标MDI序列数据、和/或三重指数平滑平均线TRIX序列数据、和/或能量指标CR序列数据、和/或指数移动平均值EMA序列数据。4.如权利要求3所述的基于序列到图的股票趋势预测方法，其特征在于，所述从所述时序数据中采样获得股票的技术指标序列数据包括：利用所述时序数据中MACD数据的长期平滑平均线和短期平滑平均线，计算长期平滑平均线和短期平滑平均线的差离值，以所述长期平滑平均线和短期平滑平均线的差离值作为股票的技术指标序列数据；和/或利用所述时序数据中MDI数据的PDI曲线和MDI曲线，以及ADX曲线和ADXR曲线，计算PDI曲线和MDI曲线的差离值，以及ADX曲线和ADXR曲线的差离值，以所述PDI曲线和MDI曲线的差离值以及ADX曲线和ADXR曲线的差离值作为股票的技术指标序列数据；和/或利用所述时序数据中TRIX数据的TRIX曲线和TRMA曲线，计算TRIX曲线和TRMA曲线的差离值，以所述TRIX曲线和TRMA曲线的差离值作为股票的技术指标序列数据；和/或利用所述时序数据中CR数据的CR曲线和股价曲线，计算...

【专利技术属性】
技术研发人员：张华，孙科伟，唐伟佳，吴亚东，
申请(专利权)人：工银科技有限公司，
类型：发明
国别省市：