一种基于同构卷积神经网络的金融时间序列预测与决策方法与流程

技术特征：
1.一种基于同构卷积神经网络的金融时间序列预测与决策方法，其特征在于：所述金融时间序列预测与决策方法包括：读取最新数据，并根据同构卷积神经网络模型分别计算预测价格、趋势预测和分类概率、以及综合预测指标φ；根据综合预测指标φ生成预测性交易策略，并通过直接强化学习模型强化学习交易策略得到交易决策函数d；通过交易决策函数d计算交易决策并执行交易；重复上述步骤，直到交易结束。2.根据权利要求1所述的一种基于同构卷积神经网络的金融时间序列预测与决策方法，其特征在于：所述根据同构卷积神经网络模型分别计算预测价格、趋势预测和分类概率、以及综合预测指标φ包括：根据同构卷积神经网络模型中的预测器f计算预测价格；根据同构卷积神经网络模型中的分类器c计算趋势预测以及分类概率；根据所述预测器f计算得到的预测价格、所述分类器c计算的趋势类型以及分类概率得到综合预测指标其中表示预测器f预测的价格，表示分类器c预测的趋势。3.根据权利要求1所述的一种基于同构卷积神经网络的金融时间序列预测与决策方法，其特征在于：所述根据综合预测指标φ生成预测性交易策略，并通过直接强化学习模型强化学习交易策略得到交易决策函数d包括：通过同构卷积神经网络的预测器f和分类器c的基于预测的启发式交易的加权组合以及具有深度特征的基于直接强化学习的执行器e的动态决策的加权组合定义交易决策函数其中，表示基于综合预测指标φ的状态s和时间t的启发式策略，表示来自状态s和时间t的直接强化学习的交易策略，f表示当前时间序列特征表示,表示趋势的分类概率。4.根据权利要求1所述的一种基于同构卷积神经网络的金融时间序列预测与决策方法，其特征在于：所述根据综合预测指标φ生成预测性交易策略包括：根据预测的价格和分类结果，选择最有利的交易决策，即预测结果为价格上涨，则预测性交易决策为买入，预测结果为价格下跌，则采取卖出，如果预测结果为平，则采取持仓观望，既不买入也不卖出，以免额外的交易手续费损失，在此基础之上，考虑到预测的准确性与可靠性，通过将预测性交易策略与基于直接强化学习模型的强化学习交易策略结合得到交易决策函数d，即如果预测模型的信任度高，则采取预测性交易策略，若信任度不足，则采取较能适应价格与环境动态变换的强化学习交易策略。5.根据权利要求1
‑
4中任意一项所述的一种基于同构卷积神经网络的金融时间序列预测与决策方法，其特征在于：所述金融时间序列预测与决策方法还包括在读取最新数据之前执行以下步骤：通过min
‑
max标准化进行数据预处理；进行时间序列滑动窗口处理，并拆分训练集与测试集；训练同构卷积神经网络模型；
利用基于同构卷积神经网络模型提取的高价特征训练直接强化学习模型。6.根据权利要求5所述的一种基于同构卷积神经网络的金融时间序列预测与决策方法，其特征在于：构建同构卷积神经网络模型包括：首先建立深度卷积神经网络n，捕获时间依赖性并从输入的金融时间序列中提取特征表示；其次，将其输出的高维特征作为金融特征表示输出到基于直接强化学习的执行器e；最后，在n的基础上，连接两个不同的神经网络输出层形成预测器f和分类器c，它们共享除最后一层之外的所有神经网络层n，因此称为同构卷积神经网络；基于不同的神经层和激活函数，预测器f和分类器c可以实现直接价格预测和具有相应似然的趋势多分类；并且，本同构卷积神经网络提取的特征表示还可以有助于的基于直接强化学习的执行器e。

技术总结
本发明涉及一种基于同构卷积神经网络的金融时间序列预测与决策方法，所述金融时间序列预测与决策方法包括：读取最新数据，并根据同构卷积神经网络模型分别计算预测价格、趋势预测和分类概率、以及综合预测指标Φ；根据综合预测指标Φ生成预测性交易策略，并通过结合改进的直接强化学习交易策略得到交易决策函数D；通过交易决策函数D计算交易决策并执行交易；重复上述步骤，直到交易结束。本发明提出一个预测器


技术研发人员：陈鹏 罗航 刘忠明 夏启斌 甘智豪 单文煜
受保护的技术使用者：西华大学
技术研发日：2021.07.22
技术公布日：2021/10/26