一种基于机器学习的构建股票交易决策模型的方法与流程

1.本发明属于股票交易技术领域，特别是涉及一种基于机器学习的构建股票交易决策模型的方法。


背景技术：

2.投资是为了获得更大的收益，然而投资的收益往往与风险成正比，投资收益越高，存在风险越大。股票资产的操作往往决定着投资者的收益，针对股票资产的操作研究需要具有较高的前瞻性和策略性。有效的风险预测和正确的交易策略，能最大程度地规避风险，增加投资收益。如何规避风险获取收益是投资者们最关注的问题。
3.现有技术中通常采用固定阈值法(fixed
‑
threshold)对股票进行标注。固定阈值法通过对特定股票设置阈值，该股票在固定时间区间的价格收益高于设定的阈值，则被标注为正例；在固定时间区间的价格收益低于某设定的阈值，则被标注为负例；若是在两者之间，则被标注为其他类。但是固定阈值法中设置的阈值始终保持不变，而价格波动率却在随时间变化。若波动率变化很大，则会有大量的正例和负例，少量的其他类；若波动率变化很小，则会有大量的其他类，少量的正例和负例。因此，固定阈值法地阈值不能随波动率地变化而变化，难以科学准确的标注股票。
4.现有技术针对股票的预测往往只局限于“买入”、“卖出”和“持有”，即只是对资产的操作方向进行预测，投资者并不能得知每次操作需要交易多少资产。只预测资产操作方向而不能具体预测资产交易比例，是现有股票预测手段的一大痛点。
5.此外，现有技术中针对股票投资缺少一种合理的预测模型辅助投资者进行投资决策，投资者往往需要根据一种股票交易策略获取操作方向，再通过另一种股票交易策略获取操作的资产数量，不同的股票交易策略之间可能互不兼容，投资者不能科学、有效的获取具体的投资策略。
6.因此，需要一种系统性强、综合性高的股票投资策略模型来辅助投资者进行投资决策，投资者既能获取针对某个股票的资产操作方向，又能获取的具体的资产交易比例，使投资策略更加科学、更加合理。


技术实现要素：

7.本发明的目的在于提供一种基于机器学习的构建股票交易决策模型的方法，通过历史数据预训练一个决策模型，并对该决策模型加扰得到另一个决策模型，根据两个模型输出的交易决策确定标签，通过确定的标签训练第三股票交易决策模型，解决了现有的股票投资风险大、股票投资收益低的问题。
8.为解决上述技术问题，本发明是通过以下技术方案实现的：
9.本发明为一种基于机器学习的构建股票交易决策模型的方法，包括如下步骤：
10.步骤s1：获取股票相关历史交易数据作为样本，包括昨日收盘价、昨日开盘价、最高价、最低价、收盘价和成交量；
11.步骤s2：对历史交易数据进行预处理，分别提取上涨峰值标签、下跌谷值标签和横盘平稳标签；
12.步骤s3：定义匹配规则，并分别对上涨峰值标签、下跌谷值标签和横盘平稳标签赋予权重值；
13.步骤s4：基于匹配规则和权重值，训练得到第一股票交易决策模型，并计算匹配结果；
14.步骤s5：；将昨日收盘价和昨日开盘价输入第一股票交易决策模型，输出第一交易决策；
15.步骤s6：对训练后的第一股票交易决策模型加扰，得到第二股票交易决策模型；
16.步骤s7：将最高价和最低价分别输入第一股票交易决策模型和第二股票交易决策模型，输出第一交易决策和第二交易决策；
17.步骤s8：将第一交易决策和第二交易决策作为训练标签，得到第三股票交易决策模型；
18.步骤s9：将收盘价和成交量输入第三股票交易决策模型得到最终股票交易决策。
19.作为一种优选的技术方案，所述步骤s1中，股票的相关历史数据从盘面最大的网站获取，并以收盘价作为预测对象，将获取的数据与其余网站搜集的数据进行完整性处理，将残缺的数据与其余网站比对后填入，然后进行数据准确性处理,将券商间的信息比对后,与其它券商不同的数据进行更改处理。
20.作为一种优选的技术方案，所述步骤s2中，股票交易数据的预处理包括数据格式的转换、数据噪声的消除、数据清洗和归一化处理，得到归一化后的样本数据；所述数据格式的转换，用于将股票交易数据转换成能够训练的样本数据；所述数据噪声的消除，用于消除数据中的噪声；所述数据清洗，用于过滤零值、去除无效的样本；所述归一化处理，用于将股票交易数据压缩至确定的区间，得到归一化后的样本数据。
21.作为一种优选的技术方案，所述归一化处理，对股票交易数据中各个具体因素的序列数据进行min
‑
max归一化处理，通过对原始数据进行线性变换，将样本数值量化归一化至[0,1]区间内，归一化的计算公式如下：
[0022][0023]
式中，d
′
表示归一化后的序列数据，d表示一组特征样本，min(
·
)表示输入向量的最小值，max(
·
)表示输入向量的最大值。
[0024]
作为一种优选的技术方案，所述步骤s3中，股票价格趋势状态进行标记的具体方法为：设t
‑
1时刻至t时刻的时间长度为t，t为可见参数，具体表现为,t的数量级为分组、小时、日、周中的任意一种，t的大小和数量级根据投资者投资需求进行设定；状态设定参数分别为x
‑
、x ；当t时刻股票价格相较于t
‑
1时刻下跌了x
‑
％，则股票状态为下跌状态，标记为
‑
1；当t时刻股票价格相较于t
‑
1时刻上涨了x ％，则股票状态为上涨状态，标记为 1；当t时刻股票价格相较于t
‑
1时刻波动在x
‑
％～x ％之间，则股票状态为横盘状态，标记为0。
[0025]
作为一种优选的技术方案，所述步骤s4中，第一股票交易决策模型训练流程如下：
[0026]
将历史数据中包含的指定历史时刻的昨日收盘价和昨日开盘价输入待训练的第一决策模型，得到待训练的第一决策模型输出的收盘轨迹曲线；其中，所述收盘轨迹曲线为
在指定时间段内的收盘曲线轨迹，所述收盘曲线轨迹包含若干轨迹点，不同的轨迹点对应于所述指定时间段中不同的时刻；
[0027]
根据所述收盘曲线轨迹中的各轨迹点、所述各轨迹点对应的置信度、所述历史数据中包含的所述指定历史时刻之后的各时刻的股票交易的状态信息，确定收盘曲线轨迹与历史数据中包含的指定历史时刻之后的各时刻股票的实际收盘曲线轨迹的差异；其中，针对每个轨迹点，该轨迹点对应的置信度，与该轨迹点对应的时刻距离所述指定历史时刻的时间长度呈负相关；
[0028]
以差异最小化为训练目标，对待训练的第一决策模型进行训练，得到训练后的第一决策模型。
[0029]
作为一种优选的技术方案，所述步骤s6中，对训练后的第一决策模型加扰，得到第二决策模型，具体包括：
[0030]
调整训练后的第一决策模型中的至少一个模型参数，得到调整后的模型，作为第二决策模型。
[0031]
作为一种优选的技术方案，所述步骤s8中，根据第一交易决策和第二交易决策，确定用于训练第三决策模型的标签，具体包括：
[0032]
在仿真环境下对第一交易决策和第二交易决策进行测试，得到第一交易决策和第二交易决策分别对应的评分，以及该评分对应的概率；
[0033]
根据第一交易决策的评分和第二交易决策的概率，从第一交易决策和第二交易决策中，选择作为训练第三交易决策的标签的决策。
[0034]
作为一种优选的技术方案，所述步骤s9中，将收盘价和成交量输入待训练的第三交易决策，得到待训练的第三交易决策模型输出的第三交易决策；
[0035]
根据第三交易决策、所述用于训练第三交易决策模型的标签，确定所述第三交易决策的具体方案。
[0036]
本发明具有以下有益效果：
[0037]
本发明通过历史数据预训练一个决策模型，并对该决策模型加扰得到另一个决策模型，根据两个模型输出的交易决策确定标签，通过确定的标签训练第三股票交易决策模型，能最大程度地规避风险，增加投资收益。
[0038]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0039]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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。
[0040]
图1为本发明的一种基于机器学习的构建股票交易决策模型的方法。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0042]
请参阅图1所示，本发明为一种基于机器学习的构建股票交易决策模型的方法，包括如下步骤：
[0043]
步骤s1：获取股票相关历史交易数据作为样本，包括昨日收盘价、昨日开盘价、最高价、最低价、收盘价和成交量；
[0044]
步骤s2：对历史交易数据进行预处理，分别提取上涨峰值标签、下跌谷值标签和横盘平稳标签；
[0045]
步骤s3：定义匹配规则，并分别对上涨峰值标签、下跌谷值标签和横盘平稳标签赋予权重值；
[0046]
步骤s4：基于匹配规则和权重值，训练得到第一股票交易决策模型，并计算匹配结果；
[0047]
步骤s5：；将昨日收盘价和昨日开盘价输入第一股票交易决策模型，输出第一交易决策；
[0048]
步骤s6：对训练后的第一股票交易决策模型加扰，得到第二股票交易决策模型；
[0049]
步骤s7：将最高价和最低价分别输入第一股票交易决策模型和第二股票交易决策模型，输出第一交易决策和第二交易决策；
[0050]
步骤s8：将第一交易决策和第二交易决策作为训练标签，得到第三股票交易决策模型；
[0051]
步骤s9：将收盘价和成交量输入第三股票交易决策模型得到最终股票交易决策。
[0052]
步骤s1中，股票的相关历史数据从盘面最大的网站获取，并以收盘价作为预测对象，将获取的数据与其余网站搜集的数据进行完整性处理，将残缺的数据与其余网站比对后填入，然后进行数据准确性处理,将券商间的信息比对后,与其它券商不同的数据进行更改处理。
[0053]
步骤s2中，股票交易数据的预处理包括数据格式的转换、数据噪声的消除、数据清洗和归一化处理，得到归一化后的样本数据；数据格式的转换，用于将股票交易数据转换成能够训练的样本数据；数据噪声的消除，用于消除数据中的噪声；数据清洗，用于过滤零值、去除无效的样本；归一化处理，用于将股票交易数据压缩至确定的区间，得到归一化后的样本数据。
[0054]
归一化处理，对股票交易数据中各个具体因素的序列数据进行min
‑
max归一化处理，通过对原始数据进行线性变换，将样本数值量化归一化至[0,1]区间内，归一化的计算公式如下：
[0055][0056]
式中，d
′
表示归一化后的序列数据，d表示一组特征样本，min(
·
)表示输入向量的最小值，max(
·
)表示输入向量的最大值。
[0057]
步骤s3中，股票价格趋势状态进行标记的具体方法为：设t
‑
1时刻至t时刻的时间长度为t，t为可见参数，具体表现为,t的数量级为分组、小时、日、周中的任意一种，t的大小和数量级根据投资者投资需求进行设定；状态设定参数分别为x
‑
、x ；当t时刻股票价格相
较于t
‑
1时刻下跌了x
‑
％，则股票状态为下跌状态，标记为
‑
1；当t时刻股票价格相较于t
‑
1时刻上涨了x ％，则股票状态为上涨状态，标记为 1；当t时刻股票价格相较于t
‑
1时刻波动在x
‑
％～x ％之间，则股票状态为横盘状态，标记为0。
[0058]
步骤s4中，第一股票交易决策模型训练流程如下：
[0059]
将历史数据中包含的指定历史时刻的昨日收盘价和昨日开盘价输入待训练的第一决策模型，得到待训练的第一决策模型输出的收盘轨迹曲线；其中，收盘轨迹曲线为在指定时间段内的收盘曲线轨迹，收盘曲线轨迹包含若干轨迹点，不同的轨迹点对应于指定时间段中不同的时刻；
[0060]
根据收盘曲线轨迹中的各轨迹点、各轨迹点对应的置信度、历史数据中包含的指定历史时刻之后的各时刻的股票交易的状态信息，确定收盘曲线轨迹与历史数据中包含的指定历史时刻之后的各时刻股票的实际收盘曲线轨迹的差异；其中，针对每个轨迹点，该轨迹点对应的置信度，与该轨迹点对应的时刻距离指定历史时刻的时间长度呈负相关；
[0061]
以差异最小化为训练目标，对待训练的第一决策模型进行训练，得到训练后的第一决策模型。
[0062]
步骤s6中，对训练后的第一决策模型加扰，得到第二决策模型，具体包括：
[0063]
调整训练后的第一决策模型中的至少一个模型参数，得到调整后的模型，作为第二决策模型。
[0064]
步骤s8中，根据第一交易决策和第二交易决策，确定用于训练第三决策模型的标签，具体包括：
[0065]
在仿真环境下对第一交易决策和第二交易决策进行测试，得到第一交易决策和第二交易决策分别对应的评分，以及该评分对应的概率；
[0066]
根据第一交易决策的评分和第二交易决策的概率，从第一交易决策和第二交易决策中，选择作为训练第三交易决策的标签的决策。
[0067]
步骤s9中，将收盘价和成交量输入待训练的第三交易决策，得到待训练的第三交易决策模型输出的第三交易决策；
[0068]
根据第三交易决策、用于训练第三交易决策模型的标签，确定第三交易决策的具体方案。
[0069]
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0070]
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
[0071]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。