一种基于卷积神经网络的股票交易反转点与异常点检测方法与流程

1.本发明属于股票信息处理技术领域，特别是涉及一种基于卷积神经网络的股票交易反转点与异常点检测方法。


背景技术：

2.股票交易中存在频繁的波动和各种异常，这一情况使得投资者在选择股票交易时面临风险和考验。由于在股票交易的过程中，投资者希望预测股票的反转点，以最大限度地利用股价最低价时候的谷值以及股价最高价时候的峰值来实现最大化盈利，因此，检测股票市场中的异常波动点以及这种反转点，对于股票分析具有重要意义。


技术实现要素：

3.本发明的目的在于提供一种基于卷积神经网络的股票交易反转点与异常点检测方法，通过将股票的历史数据输入到卷积神经网络进行特征学习，并对特征进行分类，采用前向传播算法与后向传播算法反复训练模型，统计股票的异常点和反转点，解决了现有的投资者股票分析不准确、容易造成经济损失的问题。
4.为解决上述技术问题，本发明是通过以下技术方案实现的：
5.本发明为一种基于卷积神经网络的股票交易反转点与异常点检测方法，包括如下步骤：
6.步骤s1：获取股票的历史数据，并根据k线图手工标记所有股票的反转点与异常点；
7.步骤s2：采用滑动窗口，将股票分割成子序列；
8.步骤s3：将子序列直接输入到卷积神经网络进行特征学习；
9.步骤s4：卷积神经网络将学习到的特征输入到一个全连通的多层感知器，并由多层感知器将学习到的特征进行分类；
10.步骤s5：采用前向传播算法与后向传播算法反复训练模型，直至参数收敛；
11.步骤s6：根据训练好的模型对测试数据进行效果检验，计算正确率；
12.步骤s7：获取股票数据输入训练好的模型，学习得到的特征进行小波聚类，结合马尔科夫链模型，得到股票反转点和异常点并进行统计。
13.作为一种优选的技术方案，所述步骤s1中，从互联网上获取股票数据，并对k线图人工标记所有的反转点和异常点；标记方法采用经济学中的反转点判断方法；所述反转点包括向上反转点、向下反转点和非反转点。
14.作为一种优选的技术方案，所述股票反转点的认定方法如下：
15.将股票时间序列在t1,t2,t3时刻对应的收盘价分别是s1,s2,s3,当满足公式：
16.(s2‑
s1)/s2>r且(s2‑
s3)/s2>r；
17.则说明在时刻t2股价发生了反转，且该时刻的反转为股价向下的反转点；
18.当满足公式：
19.(s1‑
s2)/s2>r且(s3‑
s2)/s2>r；
20.则说明在时刻t2股价发生了反转，且该时刻的反转为股价向上的反转点。
21.作为一种优选的技术方案，所述步骤s2中，将反转点标记完成的股票信息采用分割技术，将股票信息分割成不同的股票片段，同时也将股票的分类标签划分成子片段，并根据每个子序列的值重新定义该片段的子序列的类标签；股票的时间序列采用滑动窗口进行划分。
22.作为一种优选的技术方案，所述步骤s4中，卷积神经网络依次包括多个卷基层、激励层、池化层和规则化层；
23.所述卷基层的表达公式如下：
[0024][0025]
式中，f为激励函数，b
ij
为偏置项，m表示(i
‑
1)层中与该层相连接的点的数目，表示该层的第p个卷积核的参数值；
[0026]
所述激励函数f采用relu函数，relu函数如下：
[0027]
f(x)＝max(0,x)；
[0028]
所述池化层的数学表达式如下：
[0029][0030]
式中，q
i
表示池化区域的大小；
[0031]
所述规则化层，用于将前一层输出的数据进行归一化处理，归一化处理的公式为：
[0032][0033]
式中，k,α,β表示超参数，g(j)为待归一化处理的过滤器。
[0034]
作为一种优选的技术方案，所述步骤s5中，前向传播算法的计算公式如下：
[0035][0036]
式中，表示第n个样本对应的标签的第k维，表示第n个样本对应的输出的第k个输出；
[0037]
后向传播算法的计算公式如下：
[0038][0039]
式子中，x
l
‑1表示上一层的输出，δ
l
表示l层的灵敏度。
[0040]
作为一种优选的技术方案，所述步骤s7中，股票的反转点、异常点均输入到卷积神经网络，依次经过多个卷基层、激励层、池化层和规则化层进行处理；所述股票的异常点在
规划层输出后，还需进行小波聚类处理；所述小波聚类的处理处理流程如下：
[0041]
步骤s71：对特征空间进行量化处理，将数据映射到量化后的新的特征空间中；
[0042]
步骤s72：将量化结果进行小波变换形成一个新的聚类；
[0043]
步骤s73：给每个聚类形成一个唯一的聚类标签，并形成查找表；
[0044]
步骤s74：聚簇之后，将数据集进行简化处理。
[0045]
本发明具有以下有益效果：
[0046]
本发明通过将股票的历史数据输入到卷积神经网络进行特征学习，并对特征进行分类，采用前向传播算法与后向传播算法反复训练模型，统计股票的异常点和反转点，提高投资者对股票分析的准确率，给投资者带来经济效益。
[0047]
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
[0048]
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。
[0049]
图1为本发明的一种基于卷积神经网络的股票交易反转点与异常点检测方法步骤图。
具体实施方式
[0050]
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。
[0051]
请参阅图1所示，本发明为一种基于卷积神经网络的股票交易反转点与异常点检测方法，包括如下步骤：
[0052]
步骤s1：获取股票的历史数据，并根据k线图手工标记所有股票的反转点与异常点；
[0053]
步骤s1中，从互联网上获取股票数据，获取股票数据的方法很多，，并对k线图人工标记所有的反转点和异常点；标记方法采用经济学中的反转点判断方法；反转点包括向上反转点、向下反转点和非反转点。
[0054]
步骤s2：采用滑动窗口，将股票分割成子序列；
[0055]
步骤s3：将子序列直接输入到卷积神经网络进行特征学习；
[0056]
步骤s4：卷积神经网络将学习到的特征输入到一个全连通的多层感知器，并由多层感知器将学习到的特征进行分类；
[0057]
步骤s5：采用前向传播算法与后向传播算法反复训练模型，直至参数收敛；
[0058]
步骤s6：根据训练好的模型对测试数据进行效果检验，计算正确率；
[0059]
步骤s7：获取股票数据输入训练好的模型，学习得到的特征进行小波聚类，结合马尔科夫链模型，得到股票反转点和异常点并进行统计。
[0060]
股票反转点即股票价格峰值与股票价格谷值,或者股票价格极大值、极小值；获取股票时间序列数据信息,收集股票异常波动公告信息,标记股票反转点,即股票价格峰值点、股票价格谷值点；股票反转点的认定方法如下：
[0061]
将股票时间序列在t1,t2,t3时刻对应的收盘价分别是s1,s2,s3,当满足公式：
[0062]
(s2‑
s1)/s2>r且(s2‑
s3)/s2>r；
[0063]
则说明在时刻t2股价发生了反转，且该时刻的反转为股价向下的反转点；
[0064]
当满足公式：
[0065]
(s1‑
s2)/s2>r且(s3‑
s2)/s2>r；
[0066]
则说明在时刻t2股价发生了反转，且该时刻的反转为股价向上的反转点。
[0067]
步骤s2中，将反转点标记完成的股票信息采用分割技术，将股票信息分割成不同的股票片段，同时也将股票的分类标签划分成子片段，并根据每个子序列的值重新定义该片段的子序列的类标签；股票的时间序列采用滑动窗口进行划分。
[0068]
该模型的输入是一个矩阵，假设有d维，即每一时刻有d种属性的值，则输入的就是d*length(imput)的矩阵，使用滑动窗口将其分割成小的片段，滑动窗口的大小设置为w，步长为s；输入矩阵经过卷积神经网络的各个层之后,其结果依然是一个矩阵,但是维度降低了。因此将第i层的第j个特征选择器的矩阵表示为v
ij
，将矩阵第x行d列标记为操作方法如下：
[0069]
步骤s4中，卷积神经网络依次包括多个卷基层、激励层、池化层和规则化层；
[0070]
卷基层的表达公式如下：
[0071][0072]
式中，f为激励函数，b
ij
为偏置项，m表示(i
‑
1)层中与该层相连接的点的数目，表示该层的第p个卷积核的参数值；
[0073]
激励函数f采用relu函数，relu函数如下：
[0074]
f(x)＝max(0,x)；
[0075]
池化层的数学表达式如下：
[0076][0077]
式中，q
i
表示池化区域的大小；
[0078]
规则化层，用于将前一层输出的数据进行归一化处理，归一化处理的公式为：
[0079][0080]
式中，k,α,β表示超参数，g(j)为待归一化处理的过滤器。
[0081]
步骤s5中，前向传播算法的计算公式如下：
[0082]
[0083]
式中，表示第n个样本对应的标签的第k维，表示第n个样本对应的输出的第k个输出；
[0084]
后向传播算法的计算公式如下：
[0085][0086]
式子中，x
l
‑1表示上一层的输出，δ
l
表示l层的灵敏度。
[0087]
步骤s7中，股票的反转点、异常点均输入到卷积神经网络，依次经过多个卷基层、激励层、池化层和规则化层进行处理；股票的异常点在规划层输出后，还需进行小波聚类处理；小波聚类的处理处理流程如下：
[0088]
步骤s71：对特征空间进行量化处理，将数据映射到量化后的新的特征空间中；
[0089]
步骤s72：将量化结果进行小波变换形成一个新的聚类；
[0090]
步骤s73：给每个聚类形成一个唯一的聚类标签，并形成查找表；
[0091]
步骤s74：聚簇之后，将数据集进行简化处理。
[0092]
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。
[0093]
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，所述的存储介质，如rom/ram、磁盘或光盘等。
[0094]
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。