CN110263843A - 基于深度神经网络的股票k线识别方法 - Google Patents

基于深度神经网络的股票k线识别方法 Download PDF

Info

Publication number
CN110263843A
CN110263843A CN201910525091.3A CN201910525091A CN110263843A CN 110263843 A CN110263843 A CN 110263843A CN 201910525091 A CN201910525091 A CN 201910525091A CN 110263843 A CN110263843 A CN 110263843A
Authority
CN
China
Prior art keywords
stock
candidate frame
network
model
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910525091.3A
Other languages
English (en)
Inventor
吴同伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Indus Huizhi Software Technology LLC
Original Assignee
Suzhou Indus Huizhi Software Technology LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Indus Huizhi Software Technology LLC filed Critical Suzhou Indus Huizhi Software Technology LLC
Priority to CN201910525091.3A priority Critical patent/CN110263843A/zh
Publication of CN110263843A publication Critical patent/CN110263843A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Technology Law (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度神经网络的股票K线识别方法。本发明一种基于深度神经网络的股票K线识别方法，包括：其中，神经网络模型主要由三个子神经网络构成，分别是特征提取网络、候选框提取网络以及候选框优化网络；特征提取网络由卷积层(conv)、激活层(RELU)和池化层(pooling)组成；候选框提取网络由单通道卷积层和损失函数层(softmax)构成，输出有两组，分别对应K个候选框的前景得分和位置调整量，对得到的前景候选框做筛选，筛选后的候选框特征输入候选框优化网络，其中，K为正整数。本发明的有益效果：提高K线图识别速度，为基于K线图的投资流派提供技术参考；从过往股市K线图中学习波动规律，为制定投资策略提供参考。

Description

基于深度神经网络的股票K线识别方法
技术领域
本发明涉及股票K线识别领域，具体涉及一种基于深度神经网络的股票K线识别方法。
背景技术
半个世纪以前，图像识别就已经是一个火热的研究课题。
1950年中-1960年初，感知机吸引了机器学***面参数集，这个超平面可以用作数据分类。然而，感知机却在实际应用中遇到了很大困难，因为(1)多层感知机暂时没有有效训练方法，导致层数无法加深，(2)由于采用线性激活函数，导致无法处理线性不可分问题，比如“与或”。
这些问题随着后向传播(back propagation，BP)算法和非线性激活函数的提出得到解决。1989年，BP算法被首次用于CNN中处理2-D信号(图像)。
2012年，ImageNet挑战赛中CNN证明了它的实力，从此在图像识别和其他应用中被广泛采纳。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从“几层”到“几十上百”不定。
CNNs目前在很多很多研究领域取得了巨大的成功，例如:语音识别，图像识别，图像分割，自然语言处理等。虽然这些领域中解决的问题并不相同，但是这些应用方法都可以被归纳为:CNNs可以自动从(通常是大规模)数据中学习特征，并把结果向同类型未知数据泛化。
与本发明相关的现有技术
1、“一种基于深度学习的K线形态图像识别方法”(申请公布号：CN 109543716 A)识别K线步骤：1)将含有需要识别的金融K线形态图像和该形态对应的坐标作为神经网络的输入，输入到含有多层卷积层的神经网络中；2)将步骤1)的卷积层输出作为区域生成网络的输入，进行区域生成网络训练；3)将步骤2)的区域生成网络的输出作为感兴趣区域进行池化；4)将步骤3)的感兴趣区域池化结果作FasterRCNN检测网络的输入；5)由步骤4)的FasterRCNN检测网络最终生成推荐框的位置信息和推荐得分。该方法存在的问题有：并非所有K线图都包含特定模式，强行识别将会导致结果过拟合从而失去实际应用价值。
2、“一种基于K线数据相似度的股票走势预测方法”(申请公布号：CN 107977755A)主要步骤：步骤S1，用户选中K线数据；步骤S2，按照预设规则提取K线数据特征；步骤S3，向数据库检索相同特征；步骤S4，是否匹配到多个相似特征值，若是，则执行步骤S6，若否，则执行步骤S5；步骤S5，计算最相似的K线数据；步骤S6，提取相似度最高的K线数据并展示。该方法存在的问题有：采用原始的相似图片识别算法，只有在k线特征匹配度很高时才能拟合，实际上股市k线形状***，此种方法匹配效果较差。
传统技术存在以下技术问题：
1.原始图像特征提取技术不适合形态万千的股市k线图识别。
2.K线识别只能作为参考，不可作为主要决策依据，通过神经网络推荐K线模式既存在过拟合问题，又缺乏科学性依据。
发明内容
本发明要解决的技术问题是提供一种基于深度神经网络的股票K线识别方法，人工识别K线模式速度慢，精度差，主观性高的问题；传统K线识别匹配效果差，无法泛化的问题；现有基于深度神经网络的K线识别模型存在的过拟合问题。
为了解决上述技术问题，本发明提供了一种基于深度神经网络的股票K线识别方法，包括：其中，神经网络模型主要由三个子神经网络构成，分别是特征提取网络、候选框提取网络以及候选框优化网络；特征提取网络由卷积层(conv)、激活层(RELU)和池化层(pooling)组成；候选框提取网络由单通道卷积层和损失函数层(softmax)构成，输出有两组，分别对应K个候选框的前景得分和位置调整量，对得到的前景候选框做筛选，筛选后的候选框特征输入候选框优化网络，其中，K为正整数；
采集并标注股票K线图形作为数据集；
数据预处理，使得数据格式符合检测模型需求；
将训练数据以矩阵形式输入到检测模型当中，以模式标记位置和类别作为预测目标；
利用梯度下降法，优化总损失函数，提高图形识别准确度；
将需要识别的股票K线图输入模型中，识别其中具有指导意义的特定K线图形。
在其中一个实施例中，还包括：根据历史K线图形数据，给出相应K线图形后续涨跌统计概率。
在其中一个实施例中，采集并标注数据包括：
首先从相应股票数据网站上下载一年期的A股股票K线图，然后利用labelImg软件，标注出每张K线图中具有指导意义的几大类图形模式，同时标注上后续股票涨跌信息，从而为后期统计涨跌概率做准备。
在其中一个实施例中，数据预处理包括：
探索图片特征，包括：图片颜色，图片大小和标注框大小；按照预定规则，将所有标注过的图片转换成符合要求的数据，方便下一步输入模型。
在其中一个实施例中，涨跌统计概率包括：
在数据标注过程中，每个图形模式都将标注出后续涨跌情况。在数据预处理时，这部分涨跌情况将作为概率附加到相应图形模式上，从而模型识别出图形模式之后，给出该模式在过去的涨跌概率。
在其中一个实施例中，将需要识别的K线图输入模型中，包括：
从相应的股票网站上下载原始的K线图，格式为JPEG；将该K线图输入至模型当中，模型识别出几种特定模式。
在其中一个实施例中，候选框优化网络由池化层、全连接层和损失函数层构成，输出了每个候选框的类别得分和位置调整量；模型中分类输出以交叉熵为损失函数，回归以L1为损失函数，总损失函数为各个损失函数之和。
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程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
提高K线图识别速度，为基于K线图的投资流派提供技术参考；从过往股市K线图中学习波动规律，为制定投资策略提供参考。
附图说明
图1是本发明基于深度神经网络的股票K线识别方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
神经网络模型主要由三个子神经网络构成，分别是特征提取网络、候选框提取网络以及候选框优化网络。特征提取网络由卷积层(conv)、激活层(RELU)和池化层(pooling)组成。候选框提取网络由单通道卷积层和损失函数层(softmax)构成，输出有两组，分别对应K个候选框的前景得分和位置调整量，对得到的前景候选框做筛选，筛选后的候选框特征输入候选框优化网络。候选框优化网络由池化层、全连接层和损失函数层构成，输出了每个候选框的类别得分和位置调整量。模型中分类输出以交叉熵为损失函数，回归以L1为损失函数，总损失函数为各个损失函数之和。
一种基于卷积神经网络CNN的股票K线识别方法，包括：
步骤1.采集并标注股票K线图形作为数据集；
步骤2.数据预处理，使得数据格式符合检测模型需求；
步骤3.将训练数据以矩阵形式输入到检测模型当中，以模式标记位置和类别作为预测目标；
步骤4.利用梯度下降法，优化总损失函数，提高图形识别准确度；
步骤5.将需要识别的股票K线图输入模型中，识别其中具有指导意义的特定K线图形；
步骤6.根据历史K线图形数据，给出相应K线图形后续涨跌统计概率；
采集并标注数据包括：
首先从相应股票数据网站上下载一年期的A股股票K线图，然后利用labelImg软件，人工标注出每张K线图中具有指导意义的几大类图形模式，同时标注上后续股票涨跌信息，从而为后期统计涨跌概率做准备。
数据预处理包括：
探索图片特征，包括：图片颜色，图片大小，标注框大小等。按照一定规则，将所有标注过的图片转换成符合要求的数据，方便下一步输入模型。
将训练数据输入到模型中包括：
神经网络模型主要由三个子神经网络构成，分别是特征提取网络、候选框提取网络以及候选框优化网络。特征提取网络由卷积层、激活层和池化层组成。候候选框提取网络由单通道卷积层和损失函数层构成，输出有两组，分别对应K个候选框的前景得分和位置调整量，对得到的前景候选框做筛选，筛选后的候选框特征输入候选框优化网络。
优化损失函数包括：
优化网络由池化层、全连接层和损失函数层构成，输出了每个候选框的类别得分和位置调整量。模型中分类输出以交叉熵为损失函数，回归以L1为损失函数，总损失函数为各个损失函数之和。
将需要识别的K线图输入模型包括：
从相应的股票网站上下载原始的K线图，格式为JPEG。将该K线图输入至模型当中，模型识别出几种特定模式，从而给投资人提供参考。
涨跌统计概率包括：
在数据标注过程中，每个图形模式都将标注出后续涨跌情况。在数据预处理时，这部分涨跌情况将作为概率附加到相应图形模式上，从而模型识别出图形模式之后，可以给出该模式在过去的涨跌概率，为股票投资人提供必要的参考。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种基于深度神经网络的股票K线识别方法，其特征在于，包括：其中，神经网络模型主要由三个子神经网络构成，分别是特征提取网络、候选框提取网络以及候选框优化网络；特征提取网络由卷积层(conv)、激活层(RELU)和池化层(pooling)组成；候选框提取网络由单通道卷积层和损失函数层(softmax)构成，输出有两组，分别对应K个候选框的前景得分和位置调整量，对得到的前景候选框做筛选，筛选后的候选框特征输入候选框优化网络，其中，K为正整数；
采集并标注股票K线图形作为数据集；
数据预处理，使得数据格式符合检测模型需求；
将训练数据以矩阵形式输入到检测模型当中，以模式标记位置和类别作为预测目标；
利用梯度下降法，优化总损失函数，提高图形识别准确度；
将需要识别的股票K线图输入模型中，识别其中具有指导意义的特定K线图形。
2.如权利要求1所述的基于深度神经网络的股票K线识别方法，其特征在于，还包括：根据历史K线图形数据，给出相应K线图形后续涨跌统计概率。
3.如权利要求1所述的基于深度神经网络的股票K线识别方法，其特征在于，采集并标注数据包括：
首先从相应股票数据网站上下载一年期的A股股票K线图，然后利用labelImg软件，标注出每张K线图中具有指导意义的几大类图形模式，同时标注上后续股票涨跌信息，从而为后期统计涨跌概率做准备。
4.如权利要求1所述的基于深度神经网络的股票K线识别方法，其特征在于，数据预处理包括：
探索图片特征，包括：图片颜色，图片大小和标注框大小；按照预定规则，将所有标注过的图片转换成符合要求的数据，方便下一步输入模型。
5.如权利要求1所述的基于深度神经网络的股票K线识别方法，其特征在于，涨跌统计概率包括：
在数据标注过程中，每个图形模式都将标注出后续涨跌情况；在数据预处理时，这部分涨跌情况将作为概率附加到相应图形模式上，从而模型识别出图形模式之后，给出该模式在过去的涨跌概率。
6.如权利要求1所述的基于深度神经网络的股票K线识别方法，其特征在于，将需要识别的K线图输入模型中，包括：
从相应的股票网站上下载原始的K线图，格式为JPEG；将该K线图输入至模型当中，模型识别出几种特定模式。
7.如权利要求1所述的基于深度神经网络的股票K线识别方法，其特征在于，候选框优化网络由池化层、全连接层和损失函数层构成，输出了每个候选框的类别得分和位置调整量；模型中分类输出以交叉熵为损失函数，回归以L1为损失函数，总损失函数为各个损失函数之和。
8.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN201910525091.3A 2019-06-18 2019-06-18 基于深度神经网络的股票k线识别方法 Pending CN110263843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910525091.3A CN110263843A (zh) 2019-06-18 2019-06-18 基于深度神经网络的股票k线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910525091.3A CN110263843A (zh) 2019-06-18 2019-06-18 基于深度神经网络的股票k线识别方法

Publications (1)

Publication Number Publication Date
CN110263843A true CN110263843A (zh) 2019-09-20

Family

ID=67918942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910525091.3A Pending CN110263843A (zh) 2019-06-18 2019-06-18 基于深度神经网络的股票k线识别方法

Country Status (1)

Country Link
CN (1) CN110263843A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765309A (zh) * 2020-11-16 2021-05-07 武汉理工大学 基于统计的主浪概率词典的构建及查询***及其方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1584928A (zh) * 2003-08-22 2005-02-23 张彩蓉 三段三阶数学模型及其在证券交易中的应用
CN105701450A (zh) * 2015-12-31 2016-06-22 上海银天下科技有限公司 K线形态识别方法及装置
CN107368925A (zh) * 2017-07-26 2017-11-21 深圳市金蛋信息科技有限公司 股票趋势预测方法和***
CN108230146A (zh) * 2016-12-22 2018-06-29 张鋆 一种基于k线相似度比较的股价预测方法
CN108234474A (zh) * 2017-12-28 2018-06-29 北京奇虎科技有限公司 一种网站识别的方法和装置
CN108682010A (zh) * 2018-05-08 2018-10-19 阿里巴巴集团控股有限公司 车辆损伤识别的处理方法、处理设备、客户端及服务器
CN108734220A (zh) * 2018-05-23 2018-11-02 山东师范大学 基于k线聚类和强化学习的自适应金融时间序列预测方法
CN109543716A (zh) * 2018-10-23 2019-03-29 华南理工大学 一种基于深度学习的k线形态图像识别方法
CN109816140A (zh) * 2018-12-12 2019-05-28 哈尔滨工业大学（深圳） 基于跨市场影响的股价预测方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1584928A (zh) * 2003-08-22 2005-02-23 张彩蓉 三段三阶数学模型及其在证券交易中的应用
CN105701450A (zh) * 2015-12-31 2016-06-22 上海银天下科技有限公司 K线形态识别方法及装置
CN108230146A (zh) * 2016-12-22 2018-06-29 张鋆 一种基于k线相似度比较的股价预测方法
CN107368925A (zh) * 2017-07-26 2017-11-21 深圳市金蛋信息科技有限公司 股票趋势预测方法和***
CN108234474A (zh) * 2017-12-28 2018-06-29 北京奇虎科技有限公司 一种网站识别的方法和装置
CN108682010A (zh) * 2018-05-08 2018-10-19 阿里巴巴集团控股有限公司 车辆损伤识别的处理方法、处理设备、客户端及服务器
CN108734220A (zh) * 2018-05-23 2018-11-02 山东师范大学 基于k线聚类和强化学习的自适应金融时间序列预测方法
CN109543716A (zh) * 2018-10-23 2019-03-29 华南理工大学 一种基于深度学习的k线形态图像识别方法
CN109816140A (zh) * 2018-12-12 2019-05-28 哈尔滨工业大学（深圳） 基于跨市场影响的股价预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘磊: "基于深度学习的股票价格趋势预测方法研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765309A (zh) * 2020-11-16 2021-05-07 武汉理工大学 基于统计的主浪概率词典的构建及查询***及其方法
CN112765309B (zh) * 2020-11-16 2023-02-24 武汉理工大学 基于统计的主浪概率词典的构建及查询***及其方法

Similar Documents

Publication Publication Date Title
CN108717568B (zh) 一种基于三维卷积神经网络的图像特征提取与训练方法
CN107358293A (zh) 一种神经网络训练方法及装置
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN106203395A (zh) 基于多任务深度学习的人脸属性识别方法
CN106295507B (zh) 一种基于集成卷积神经网络的性别识别方法
CN109191455A (zh) 一种基于ssd卷积网络的大田作物病虫害检测方法
CN108304826A (zh) 基于卷积神经网络的人脸表情识别方法
CN111242208A (zh) 一种点云分类方法、分割方法及相关设备
CN108009594B (zh) 一种基于变分组卷积的图像识别方法
CN107145893A (zh) 一种基于卷积深度网络的图像识别算法及***
WO2023019698A1 (zh) 基于富上下文网络的高光谱图像分类方法
CN108520213A (zh) 一种基于多尺度深度的人脸美丽预测方法
CN107516103A (zh) 一种影像分类方法和***
CN113032613B (zh) 一种基于交互注意力卷积神经网络的三维模型检索方法
CN114758180B (zh) 一种基于知识蒸馏的轻量化花卉识别方法
CN112070768A (zh) 基于Anchor-Free的实时实例分割方法
CN110263855A (zh) 一种利用共基胶囊投影进行图像分类的方法
CN112926696A (zh) 一种基于注意力图的可解释局部迁移互学习方法
Peng et al. An industrial-grade solution for agricultural image classification tasks
CN114170659A (zh) 一种基于注意力机制的面部情感识别方法
CN110263843A (zh) 基于深度神经网络的股票k线识别方法
CN110070023A (zh) 一种基于运动顺序性回归的自监督学习方法及装置
CN106650916A (zh) 一种基于蚁群优化的网格分割方法
Zhang et al. Research On Face Image Clustering Based On Integrating Som And Spectral Clustering Algorithm
CN108960275A (zh) 一种基于深度玻尔兹曼机的图像识别方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920