一种基于深度强化学习的交易预测模型制造技术

本发明专利技术涉及一种基于Wasserstein距离的生成对抗网络(WGAN)和深度强化学习相结合的交易预测模型。该方法主要技术包括：获取金融数据、技术指标因子计算、使用快速傅里叶变换去除噪声、特征构建；根据历史数据和技术指标因子对训练WGAN模型，以得到预测样本和优势特征组合；构建深度强化学习模型；依据WGAN预测样本定义状态空间；设置离散型动作空间；调整每次交易的比例大小以控制交易风险；设定奖励函数，使用收益作为每一步的奖励，并对最终奖励归一化；在深度强化学习算法的损失函数上增加每一步预测值和真实值的均方误差，加快模型收敛。最终将其应到实际金融市场进行回测，验证其有效性。

【技术实现步骤摘要】

本专利技术属于深度强化学习和交易领域，尤其是一种基于深度强化学习的交易预测模型。

技术介绍

1、金融市场作为当今经济的重要指标，对金融品种价格的预测并获得最大收益一直备受关注。然而，金融市场包含着复杂、不完全、模糊的信息，会影响到投资者的情绪，使得人工交易具有主观性。传统的交易策略往往依赖于基本面分析、技术指标和统计模型等方法，但难以捕捉到复杂多变的市场动态。近年来，随着人工智能的兴起，利用深度学习和强化学习等技术进行交易逐渐成为趋势。这种方法与传统的基于人工决策或简单规则的交易方式不同，更依赖于算法和自动化执行交易。其中，深度强化学习以其独特的方式，通过智能体与环境的交互学习，实现了对金融市场更全面、更复杂的建模和决策。

2、深度学习在交易中的应用主要体现在价格的预测方面，根据预测结果辅助投资者进行交易。使用深度学习可以对大规模数据进行高效处理以及对复杂非线性关系进行建模，从而在预测方面取得了显著的效果。例如，qin等人提出了一种基于双阶段注意力的递归神经网络(rnn)模型来预测价格趋势。冯等人进一步考虑采用长短期记忆(lstm)的对抗性训练本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的交易预测模型，其特征在于包括以下步骤：

2.根据权利要求1所述的基于深度强化学习的交易预测模型，其特征在于：所述步骤1具体为以下步骤：

3.根据权利要求1所述的基于深度强化学习的交易预测模型，其特征在于：所述步骤2中对技术指标进行映射变换涉及两种方法。具体为：

4.根据权利要求1所述的基于深度强化学习的交易预测模型，其特征在于：所述步骤3中，构建基于Wasserstein距离的生成对抗网络(WGAN)。此网络中，生成器采用了基于门控循环单元(GRU)的端到端网络结构，而判别器则采用了多层一维卷积结构。利用真实数据分布Pr和生成...

【技术特征摘要】

1.一种基于深度强化学习的交易预测模型，其特征在于包括以下步骤：

2.根据权利要求1所述的基于深度强化学习的交易预测模型，其特征在于：所述步骤1具体为以下步骤：

3.根据权利要求1所述的基于深度强化学习的交易预测模型，其特征在于：所述步骤2中对技术指标进行映射变换涉及两种方法。具体为：

4.根据权利要求1所述的基于深度强化学习的交易预测模型，其特征在于：所述步骤3中，构建基于wasserstein距离的生成对抗网络(wgan)。此网络中，生成器采用了基于门控循环单元(gru)的端到端网络结构，而判别器则采用了多层一维卷积结构。利用真实数据分布pr和生成的数据分布pg的wasserstein距离作为损失函数，并将经过处理的市场环境特征矩阵按照时间窗口的大小输入模型进行训练。在训练过程中，通过尝试不同的特...

【专利技术属性】
技术研发人员：孙志伟，王畅畅，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：