金融时序数据预测方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及金融时序数据预测方法及装置。


背景技术：

2.近年来，随着直播、短视频等新兴互联网传播方式的兴起，基金理财等金融投资方式频频被送上热搜，成为了人们日常的社交话题焦点。然而，不少年轻投资者缺乏投资经验、投资方法，盲目跟风，加上金融市场变化莫测，使得他们很容易被“割韭菜”。金融时序数据的预测，有助于投资者去了解相关金融产品未来的发展与变化，以进一步进行投资决策和计划。现有的金融时序数据预测方法存在预测准确性差，误差较大的问题，难以为投资者提供有效的投资指导。
3.因此，亟需一种可以克服上述问题的金融时序数据预测方案。


技术实现要素：

4.本发明实施例提供一种金融时序数据预测方法，用以提高预测准确性，减小误差，为投资者提供有效的投资指导，该方法包括：
5.获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；
6.分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像；
7.根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移；
8.利用预设长度窗口对所述时间段进行顺序滑动选取，得到多个子时间段；
9.分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；
10.将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练；
11.利用训练好的生成对抗网络，对所述目标图像进行图像修复；
12.根据修复后的目标图像，进行金融时序数据预测。
13.本发明实施例提供一种金融时序数据预测装置，用以提高预测准确性，减小误差，为投资者提供有效的投资指导，该装置包括：
14.数据获得模块，用于获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；
15.灰度变换模块，用于分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像；
16.图像平移模块，用于根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移；
17.时间段选取模块，用于利用预设长度窗口对所述时间段进行顺序滑动选取，得到
多个子时间段；
18.图像截取模块，用于分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；
19.网络训练模块，用于将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练；
20.图像修复模块，用于利用训练好的生成对抗网络，对所述目标图像进行图像修复；
21.数据预测模块，用于根据修复后的目标图像，进行金融时序数据预测。
22.本发明实施例还提供一种计算机设备，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金融时序数据预测方法。
23.本发明实施例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金融时序数据预测方法的计算机程序。
24.本发明实施例通过获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像；根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移；利用预设长度窗口对所述时间段进行顺序滑动选取，得到多个子时间段；分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练；利用训练好的生成对抗网络，对所述目标图像进行图像修复；根据修复后的目标图像，进行金融时序数据预测。本发明实施例将金融时序数据图像化，并根据各组金融时序数据之间的反应时间差数据对图像进行平移，利用截取出的图像训练生成对抗网络，在生成对抗网络的生成器与辨别器的相互博弈学习后对目标图像进行修复，最终实现走势预测，有效提高预测准确性、减小误差，解决了当前部分投资者投资因经验不足、缺乏数据分析工具而导致投资决策失败的问题，提高交易体验，更有助于了解金融市场的发展和变化，为投资者提供有效的投资指导。
附图说明
25.为了更清楚地说明本发明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发明的一些实施例，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：
26.图1为本发明实施例中金融时序数据预测方法示意图；
27.图2为本发明实施例中另一金融时序数据预测方法示意图；
28.图3为本发明实施例中生成对抗网络gan的基本网络结构示意图；
29.图4～图11为本发明具体实施例中金融时序数据预测方法示意图；
30.图12为本发明实施例中金融时序数据预测装置结构图；
31.图13是本发明实施例的计算机设备结构示意图。
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
33.为了提高预测准确性，减小误差，为投资者提供有效的投资指导，本发明实施例提供一种金融时序数据预测方法，如图1所示，该方法可以包括：
34.步骤101、获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；
35.步骤102、分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像；
36.步骤103、根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移；
37.步骤104、利用预设长度窗口对所述时间段进行顺序滑动选取，得到多个子时间段；
38.步骤105、分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；
39.步骤106、将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练；
40.步骤107、利用训练好的生成对抗网络，对所述目标图像进行图像修复；
41.步骤108、根据修复后的目标图像，进行金融时序数据预测。
42.由图1所示可以得知，本发明实施例通过获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像；根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移；利用预设长度窗口对所述时间段进行顺序滑动选取，得到多个子时间段；分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练；利用训练好的生成对抗网络，对所述目标图像进行图像修复；根据修复后的目标图像，进行金融时序数据预测。本发明实施例将金融时序数据图像化，并根据各组金融时序数据之间的反应时间差数据对图像进行平移，利用截取出的图像训练生成对抗网络，在生成对抗网络的生成器与辨别器的相互博弈学习后对目标图像进行修复，最终实现走势预测，有效提高预测准确性、减小误差，解决了当前部分投资者投资因经验不足、缺乏数据分析工具而导致投资决策失败的问题，提高交易体验，更有助于了解金融市场的发展和变化，为投资者提供有效的投资指导。
43.实施例中，获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像。
44.本实施例中，如图2所示，按如下方式对每组金融时序数据进行灰度变换：
45.步骤201、获得该组金融时序数据的最大值和最小值；
46.步骤202、根据所述最大值和最小值，对该组金融时序数据进行灰度变换。
47.具体实施时，金融时序数据通常以走势图直观地表示，先将金融时序数据进行“图像化”处理，用于进行图像修复，而灰度变换是基本的图像点运算，是图像增强处理中的一种非常基础空间域图像处理方法，目的是增强图像效果，以便让图像的显示效果更佳清晰。使用灰度变换是为了将金融时序数据值转换为图像的色彩模式rgb(r，g，b)数值，设r、g、b相等。本发明实施例将金融时序数据的波动范围归一化到[0，255]范围内(此范围是图像色彩模式中r/g/b的数值范围)，设在所考虑的时间周期内股票的金融时序数据的波动范围为[min，max]，则灰度变换的变换式为：
[0048][0049]
其中，min为金融时序数据的最小值，max为金融时序数据的最大值，x
t
为金融时序数据，x’t
为进行灰度变换后的金融时序数据。再将折线的多个灰度值代入包含rgb的(r，g，b)，可得到一行像素点。为了更形象地说明，将像素点展宽，得到灰度图像。
[0050]
实施例中，根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移。
[0051]
具体实施时，设每组金融时序数据之间有相互关联性，也即第一组金融时序数据上涨(或下跌)影响其他组金融时序数据的上涨(或下跌)，且其他组金融时序数据的反应滞后于第一组一段时间，滞后的时间段为反应时间差数据f，则将反应滞后的灰度图像条块向左平移f时间段。
[0052]
实施例中，利用预设长度窗口对所述时间段进行顺序滑动选取，得到多个子时间段；分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练。
[0053]
本实施例中，所述生成对抗网络包括：生成器和判别器；
[0054]
按如下方式将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练：将随机噪声输入生成器，生成训练图像；将所述训练图像和除目标图像以外的组合图像输入辨别器，得到调整参数；根据所述调整参数，对生成器进行反馈调整。
[0055]
具体实施时，可设置滑动采样窗口，预先设置窗口的长度，对时间段进行顺序滑动选取，得到多个子时间段，在窗口范围内对图像进行采样，窗口每移动一个位置，得到一张图片，最后得到一个图片集。采样窗口移到最右端得到的子时间段所对应的组合图像中将存在缺失部分，该图像设置为目标图像，需要对目标图像进行修复。本发明实施例采用生成对抗网络(gan)对该图片进行修复，gan由生成器和判别器组成。gan是一种通过对抗训练，让生成器和判别器同时得到增强的生成模型。经过大量的训练，生成器可生成大量以假乱真的图片，判别器鉴别能力也会随之提高。如图3所示为生成对抗网络gan的基本网络结构如图，将采样窗口采集的除目标图像以外的组合图像作为真实图片，分别输入随机噪声反复训练。其中，将随机噪声输入生成器，生成训练图像；将训练图像和除目标图像以外的组合图像输入辨别器，得到调整参数；根据调整参数，对生成器进行反馈调整。
[0056]
定义生成器为g(z)，辨别器为d(x)，再定义一个只有0或1的二值掩码m，其中0表示
图片中需要修复的部分，1表示需要保留的部分。接下来定义待修复的图片为y，假设生成器g的生成结果其中一张图片为g(z')，则生成公式为：
[0057]
x＝m
⊙
y (1
‑
m)
⊙
g(z')
[0058]
其中，x为目标图片，
⊙
表示哈达马乘积，是一种像素矩阵中对应像素相乘的方法。关键部分g(z)可通过损失函数来协助生成，损失函数定义如下，采用l1正则化法：
[0059]
l(z)＝||m
⊙
g(z)
‑
m
⊙
y||1[0060]
可以看出，损失函数越小，y和g(z)的像素就越相同。特别地，当损失数值l为0时，说明他们是两张完全一样的图片，也就是我们想达到的目的。由于我们拥有一组采集图片，也就是有一组g(z)，此时通过损失函数能确定最优的目标图片x。
[0061]
实施例中，利用训练好的生成对抗网络，对所述目标图像进行图像修复；根据修复后的目标图像，进行金融时序数据预测。
[0062]
本实施例中，根据修复后的目标图像，进行金融时序数据预测，包括：
[0063]
将修复后的目标图像进行反灰度变换；
[0064]
利用反灰度变换后的目标图像进行金融时序数据预测。
[0065]
具体实施时，利用训练好的生成对抗网络对目标图像进行图像修复，也即对目标图像中缺失的部分进行填充。填充区域的色彩rgb中的数值(r，g，b)，然后按如下公式将修复后的目标图像进行反灰度变换：
[0066][0067]
其中，min为金融时序数据的最小值，max为金融时序数据的最大值，x
t
为反灰度变换后得到的数据，x’t
为修复后的目标图像。x
t
即为股票b在反应时间差数据f时间段内的预测。
[0068]
需要说明的是，在实际应用中可能不知道各组金融时序数据之间的反应时间差为多少，这时，可以设定若干个反应时间差数据f，如f1、f2、...、fn，然后按照上述方法可以训练出多个生成对抗网络，也即分别得到生成器g1，生成器g2，...，生成器gn。利用各自的辨别器对这些生成器的性能进行评估，再找到最优的修复图片，对应的生成器的f即为所求。
[0069]
本发明实施例提供的金融时序数据预测方案解决了当前部分投资者投资因经验不足、缺乏数据分析工具而导致投资决策失败的问题，提高交易体验，更有助于了解金融市场的发展和变化，同时引入了灰度变换将时序数据转换为色彩图像，又融入金融数据的相互关联性进行图像处理，能够达到更好的指导作用。
[0070]
下面给出一个具体实施例，说明本发明实施例中金融时序数据预测方案。在本具体实施例中，股票(金融时序数据)a、b连续十个交易日[t0，t9]的收盘价数据如表1所示，在此设股票a与股票b有相互关联性，股票a上涨(或下跌)影响股票b的上涨(或下跌)，股票b的反应滞后于a一段时间，此处仅以两支股票为例，可扩展到多支股票。股票(金融时序数据)a、b走势图如图4～图5所示。
[0071]
表1
[0072][0073]
由上述数据可知，股票a的波动范围为[360.19，376.02]，股票b的波动范围为[259.44，272.13]。为实现数值向图像的转换，分别代入公式进行线性变换，以x’t
为灰度，则股票a、b的灰度值如表2所示(此处只列出折线各转折点的灰度值，实际上两点间线段上的灰度值也需计算)。
[0074]
表2
[0075][0076]
再将折线的多个灰度值代入色彩模式rgb(r，g，b)，可得到一行像素点。为了更形象地说明，将像素点“变宽”，得到图6。在此设股票a与股票b有相互关联性，股票a上涨(或下跌)影响股票b的上涨(或下跌)，股票b的反应滞后于a一段时间，将两“条块”图像放置在同一时间坐标轴上，设b的反应滞后于a时间为f，将股票b的条块向左平移f时间段，如图7所示。这时可设置滑动采样窗口，在窗口范围内对图像进行采样，图中窗口每移动一个位置，得到一张图片，最后得到一个图片集。将采样窗口移到最右端，如图8所示，其右下角区域为图像缺少部分。得到上述修复目标后，将采用生成对抗网络(gan)对该图片进行修复，将采样窗口采集的图片集做为真实图片，分别输入随机噪声反复训练。用生成器修复图像完成后，得到修复后的图块如图9所示。进而，进行反灰度变换后，计算出预测走势，即为股票b在f，即[t9，t10]时间段内的预测，如图10所示。另外，此方法扩展到对一组数据同时进行预测时，如图11所示，由a1、a2、...、an的图像条块组成，采样窗口在[t0,t1]之间采样，当前时间为t1，需要修复的区域为在最右边的采样窗中，待修补部分为(t1,t2]，即各条块右侧的阴影部分为需修复部分。
[0077]
基于同一发明构思，本发明实施例还提供了一种金融时序数据预测装置，如下面的实施例所述。由于这些解决问题的原理与金融时序数据预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0078]
图12为本发明实施例中金融时序数据预测装置的结构图，如图12所示，该装置包括：
[0079]
数据获得模块1201，用于获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；
[0080]
灰度变换模块1202，用于分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像；
[0081]
图像平移模块1203，用于根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移；
[0082]
时间段选取模块1204，用于利用预设长度窗口对所述时间段进行顺序滑动选取，得到多个子时间段；
[0083]
图像截取模块1205，用于分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；
[0084]
网络训练模块1206，用于将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练；
[0085]
图像修复模块1207，用于利用训练好的生成对抗网络，对所述目标图像进行图像修复；
[0086]
数据预测模块1208，用于根据修复后的目标图像，进行金融时序数据预测。
[0087]
一个实施例中，所述灰度变换模块1202进一步用于，按如下方式对每组金融时序数据进行灰度变换：
[0088]
获得该组金融时序数据的最大值和最小值；
[0089]
根据所述最大值和最小值，对该组金融时序数据进行灰度变换。
[0090]
一个实施例中，所述生成对抗网络包括：生成器和判别器；
[0091]
所述网络训练模块1206进一步用于：将随机噪声输入生成器，生成训练图像；将所述训练图像和除目标图像以外的组合图像输入辨别器，得到调整参数；根据所述调整参数，对生成器进行反馈调整。
[0092]
一个实施例中，所述数据预测模块1208进一步用于：
[0093]
将修复后的目标图像进行反灰度变换；
[0094]
利用反灰度变换后的目标图像进行金融时序数据预测。
[0095]
综上所述，本发明实施例通过获得同一时间段的多组金融时序数据和各组金融时序数据之间的反应时间差数据；分别对每组金融时序数据进行灰度变换，得到所述每组金融时序数据对应的灰度图像；根据所述反应时间差数据，对所述每组金融时序数据对应的灰度图像进行平移；利用预设长度窗口对所述时间段进行顺序滑动选取，得到多个子时间段；分别对每个子时间段，从每组灰度图像中截取该时间段的图像并将截取出的图像按序进行排列，得到该子时间段对应的组合图像，其中对时间段进行顺序滑动选取时最后选取的子时间段所对应的组合图像为目标图像；将除目标图像以外的组合图像输入预先建立的生成对抗网络进行训练；利用训练好的生成对抗网络，对所述目标图像进行图像修复；根据修复后的目标图像，进行金融时序数据预测。本发明实施例将金融时序数据图像化，并根据各组金融时序数据之间的反应时间差数据对图像进行平移，利用截取出的图像训练生成对抗网络，在生成对抗网络的生成器与辨别器的相互博弈学习后对目标图像进行修复，最终实现走势预测，有效提高预测准确性、减小误差，解决了当前部分投资者投资因经验不足、缺乏数据分析工具而导致投资决策失败的问题，提高交易体验，更有助于了解金融市场的发展和变化，为投资者提供有效的投资指导。
[0096]
基于前述发明构思，如图13所示，本发明还提出了一种计算机设备1300，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1330，所述处理器1320执行所述计算机程序1330时实现前述油气钻井岩屑返出量确定方法。
[0097]
基于前述发明构思，本发明提出了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计算机程序，所述计算机程序被处理器执行时实现前述油气钻井岩屑返出量确定方法。
[0098]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0099]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0100]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0101]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0102]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。