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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2019
- 2019-06-18 CN CN201910525091.3A patent/CN110263843A/zh active Pending
Patent Citations (9)
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)
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)
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 |