一种基于图形识别与量化指标的股票交易推荐系统及方法技术方案

本发明专利技术公开了一种基于图形识别和量化指标的股票交易推荐系统及方法，以基于图形识别进行股票筛选为创新点，把图形识别作为股票筛选的依据，并辅以目前广泛使用的量化指标筛选，进行股票筛选

【技术实现步骤摘要】
一种基于图形识别与量化指标的股票交易推荐系统及方法


[0001]本专利技术属于计算机图形和量化
，具体涉及基于图形识别与量化指标的股票交易推荐系统及方法
。

技术介绍

[0002]随着世界经济不断发展，各国产业结构不断调整，金融业逐渐提升份额，形成了金融行业在国民经济占主要份额的局面
。
[0003]量化选股是将选股标准进行量化，从而选择确定的投资组合，通常认为，所确定的投资组合可以获得超越大盘的投资收益
。
常见的量化选股方法，有量化因子选股，行业选股，趋势选股等
。
进一步来说，量化的过程，实际上是利用计算机并构建数学模型来进行选股投资，这是一种以模型为核心，以程序化交易为手段的选股方法
。
[0004]近些年国内量化交易已经非常普遍，然而在传统的投资模式下，个人投资者常常缺乏量化的工具，个人能力有限导致亏损严重成为常态
。
一方面，新手个人投资者缺乏经验，需要大量时间和大笔开销积累投资经验；另一方面，资深个人投资者积累了大量的投资经验，但是面对
5000
多只股票的庞大数量，以及每只股票复杂的特征，很难在开市的短短几个小时内全部梳理一遍，且人工筛选也存在遗漏等失误，所以，对个人投资者的股票交易推荐方法当下变得非常重要
。
[0005]基于上述原因，需要一个面向个人投资者
、
适用于
A
股市场的股票交易推荐系统和方法，该系统需要通过自动化执行股票筛选策略，来达成以下目标：减少个人投资者的人力消耗；提高股票的筛选效率；减少筛选指标的遗漏；提高筛选结果的准确度
。
系统应具备以下特性：充分满足需求，高度还原资深投资者的选股策略；具有易用性，未经过培训的用户可以轻松使用本系统；具有良好的交互性，可以让用户在使用时有良好的用户体验；具有时效性，及时反馈用户市场行情；具有可评估性，能够根据历史数据进行收益回测
。
但目前尚无能够满足以上需求的合适技术方案
。

技术实现思路

[0006]为解决上述问题，本专利技术公开了一种基于图形识别和量化指标的股票交易推荐系统及方法，面向个人投资者提供
A
股的买入
、
卖出和加仓建议
。
本专利技术主要实现以下需求：根据服务器绘制的
k
线图，为
CNN
模型提供测试集，模型需要选出预期的走势图；需要获取股票数据并计算量化指标，基于这些指标进行买入
、
卖出与加仓的筛选；
UI
界面的筛选结果需要能够通过右键菜单查看
k
线图并进行买入或卖出，同时，
k
线图需要能够动态拖动大小，显示不同日期区间，显示所需的部分信息，如
30
均线等；需要能够自定义每轮筛选的输入，自定义购入股票的日期等信息；需要能够在本机进行筛选或在服务器上进行筛选并在客户端获取筛选结果；需要能够进行回测，来验证本系统的收益率
。
本系统采用了
MVC
的设计思想，通过
PyQt5
实现了前端的视图层，来负责用户交互和任务下发，控制层负责接收视图层的任务，并执行业务逻辑，将数据存储在数据持久层，并反馈结果给视图层，数据持久层用
MySQL
来存储筛选的结果
、
用户持仓
、
买卖数据等信息
。
[0007]为达到上述目的，本专利技术的技术方案如下：
[0008]一种基于图形识别和量化指标的股票交易推荐系统，包括：图形筛选模块
、
指标筛选模块
、
策略回测模块和交易管理功能模块；
[0009]所述图形筛选模块用于生成
k
线图并进行处理和渲染，实现单张
k
线图查看
、
模型测试集生成
、k
线图筛选；当进行单张
k
线图查看时能够拖动来调整不同时间间隔或调整
k
线图大小；生成模型测试集时对数据集进行预处理，用于进行
k
线图筛选；进行
k
线图筛选时手工构建训练集，训练
CNN
模型，并使用训练好的模型来筛选图形；
[0010]所述指标筛选模块用于实现买入日
k
指标的筛选
、
买入实时指标的筛选
、
卖出的筛选和加仓的筛选；从爬虫和量化指标接口获取数据，对数据进行处理和分析，并使用相应的算法和模型来进行指标筛选；买入日
k
指标的筛选每日定时执行一次，其他三个功能在开盘后定时执行；筛选结果存储在数据库中，并使用数据库查询语言来检索和更新数据；
[0011]所述策略回测模块用于计算历史交易和用户持仓的股票收益率；历史回测根据用户交易记录的股票代码和相应日期，从股市数据接口获取相关数据并进行分析，并计算历史交易的收益率；持仓回测根据用户持仓的股票代码和股市数据接口，来计算持仓的收益率；
[0012]所述交易管理模块用于记录用户的交易行为，包括买入和卖出记录
。
[0013]进一步的，所述图形筛选模块通过4个接口实现，分别是单张
k
线图绘制接口
、CNN
模型数据集绘制接口
、CNN
模型构建接口
、
图形筛选接口；所述4个接口由图形筛选模块控制类统一管理，具体管理方法如下：
[0014](1)
图形筛选模块控制类管理
CNN
模型数据集的生成，包括训练集
、
验证集
、
测试集的生成；
[0015](2)
图形筛选模块控制类管理
CNN
模型的构建，模型包含两个卷积层
C1、C2
，三个
Relu
非线性层，一个池化层
P
，两个线性层
L1、L2
；卷积层用于提取图像特征；
Relu
非线性层在卷积层之后用于激活神经元，使得神经元的输出非线性化；池化层
P
用于缩小特征图的尺寸，减少参数数量；两个线性层中的一个用于调节尺寸，另一个用于最后的分类；
[0016](3)
图形筛选模块控制类管理单张
k
线图的绘制，绘制的
k
线图标注了推荐交易的买卖点，并支持拖动控制日期区间；
[0017](4)
图形筛选模块控制类管理股票图形的筛选，需要筛选
v
形反转
、w
底
、
头肩底
、
塔形反转四类图形
。
[0018]进一步的，指标筛选模块通过4个接口实现，分别是买入第一轮筛选接口
、
买本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图形识别和量化指标的股票交易推荐系统，其特征在于，包括：图形筛选模块
、
指标筛选模块
、
策略回测模块和交易管理功能模块；所述图形筛选模块用于生成
k
线图并进行处理和渲染，实现单张
k
线图查看
、
模型测试集生成
、k
线图筛选；当进行单张
k
线图查看时能够拖动来调整不同时间间隔或调整
k
线图大小；生成模型测试集时对数据集进行预处理，用于进行
k
线图筛选；进行
k
线图筛选时手工构建训练集，训练
CNN
模型，并使用训练好的模型来筛选图形；所述指标筛选模块用于实现买入日
k
指标的筛选
、
买入实时指标的筛选
、
卖出的筛选和加仓的筛选；从爬虫和量化指标接口获取数据，对数据进行处理和分析，并使用相应的算法和模型来进行指标筛选；买入日
k
指标的筛选每日定时执行一次，其他三个功能在开盘后定时执行；筛选结果存储在数据库中，并使用数据库查询语言来检索和更新数据；所述策略回测模块用于计算历史交易和用户持仓的股票收益率；历史回测根据用户交易记录的股票代码和相应日期，从股市数据接口获取相关数据并进行分析，并计算历史交易的收益率；持仓回测根据用户持仓的股票代码和股市数据接口，来计算持仓的收益率；所述交易管理模块用于记录用户的交易行为，包括买入和卖出记录
。2.
根据权利要求1所述的基于图形识别和量化指标的股票交易推荐系统，其特征在于，所述图形筛选模块通过4个接口实现，分别是单张
k
线图绘制接口
、CNN
模型数据集绘制接口
、CNN
模型构建接口
、
图形筛选接口；所述4个接口由图形筛选模块控制类统一管理，具体管理方法如下：
(1)
图形筛选模块控制类管理
CNN
模型数据集的生成，包括训练集
、
验证集
、
测试集的生成；
(2)
图形筛选模块控制类管理
CNN
模型的构建，模型包含两个卷积层
C1、C2
，三个
Relu
非线性层，一个池化层
P
，两个线性层
L1、L2
；卷积层用于提取图像特征；
Relu
非线性层在卷积层之后用于激活神经元，使得神经元的输出非线性化；池化层
P
用于缩小特征图的尺寸，减少参数数量；两个线性层中的一个用于调节尺寸，另一个用于最后的分类；
(3)
图形筛选模块控制类管理单张
k
线图的绘制，绘制的
k
线图标注了推荐交易的买卖点，并支持拖动控制日期区间；
(4)
图形筛选模块控制类管理股票图形的筛选，需要筛选
v
形反转
、w
底
、
头肩底
、
塔形反转四类图形
。3.
根据权利要求1所述的基于图形识别和量化指标的股票交易推荐系统，其特征在于，指标筛选模块通过4个接口实现，分别是买入第一轮筛选接口
、
买入第二轮筛选接口
、
卖出筛选接口
、
加仓筛选接口；4个接口由指标筛选模块控制类统一管理，具体管理方法如下：
(1)
指标筛选模块控制类管理买入第一轮筛选，本轮筛选基于日
k
数据进行筛选，部分数据通过
Tushare
和
easyquotation
获取，而其他数据将通过爬虫获取；
(2)
指标筛选模块控制类管理买入第二轮筛选，本轮筛选依据一系列实时指标来进行筛选；实时数据通过
requests
或
requests_html
爬虫获取；
(3)
指标筛选模块控制类管理卖出筛选，本轮筛选基于日
k
指标和实时指标进行筛选，日
k
数据通过
Tushare、easyquotation、
爬虫获取，实时数据通过爬虫获取；卖出筛选需要一年内的日
k
数据和实时数据计算出所需的指标来进行筛选；
(4)
指标筛选模块控制类管理加仓筛选，本轮筛选基于日
k
指标和实时指标进行筛选，
日
k
数据通过
Tushare
获取，实时数据通过
requests_html
爬虫获取；加仓筛选需要两个月内的日
k
数据和实时数据计算出所需的指标并进行筛选
。4.
根据权利要求1所述的基于图形识别和量化指标的股票交易推荐系统，其特征在于，策略回测模块通过3个接口实现，分别是单股回测接口
、
历史回测接口
、
持仓回测接口；所述3个接口由策略回测模块控制类统一管理，具体管理方法如下：
(1)
策略回测模块控制类管理单股回测，单股回测基于用户提供的股票代码与日期区间计算收益率与盈亏；
(2)
策略回测模块控制类管理历史回测，历史回测基于历史交易信息计算收益率与盈亏；
(3)
策略回测...

【专利技术属性】
技术研发人员：伏晓，郝志强，徐昊，杨毅，骆斌，
申请(专利权)人：南京大学，
类型：发明
国别省市：