CN113449923A - 一种多模型标的物行情预测方法和装置 - Google Patents
一种多模型标的物行情预测方法和装置 Download PDFInfo
- Publication number
- CN113449923A CN113449923A CN202110780081.1A CN202110780081A CN113449923A CN 113449923 A CN113449923 A CN 113449923A CN 202110780081 A CN202110780081 A CN 202110780081A CN 113449923 A CN113449923 A CN 113449923A
- Authority
- CN
- China
- Prior art keywords
- data
- market
- information
- user
- prediction
- 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
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种多模型标的物行情预测方法和装置,属于人工智能,该方法包括:获取标的物历史数据;将标的物历史数据进行预处理,确定预处理数据;对预处理数据进行特征提取,建立预测模型;将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;根据测试集分别确定上述三个模型各自的预测结果准确率;根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。本发明有效提升了标的物的预测准确率。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种多模型标的物行情预测方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
近年来,随着大数据、分布式、人工智能技术的发展,各大金融产业相关企业也都纷纷发力该技术领域的标的物行情预测的研究。
目前,现有技术主要采集标的物历史技术指标信息进行机器学习建模分析来预测标的物行情走势,由于标的物的行情走势具有很大的不确定性,它不仅受标的物本身历史走势、技术指标等客观因素影响,更会受到舆论、人的情绪等主关因素影响,因此单一依靠标的物历史走势和技术指标数据来建模预测行情难以还原标的物行情预测的复杂性,影响预测的准确率。
因此,如何提供一种新的方案,其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种多模型标的物行情预测方法,有效提升了标的物的预测准确率,该方法包括:
获取标的物历史数据;
将标的物历史数据进行预处理,确定预处理数据;
对预处理数据进行特征提取,建立预测模型;
将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;
根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;
根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。
本发明实施例还提供一种多模型标的物行情预测装置,包括:
标的物历史数据获取模块,用于获取标的物历史数据;
预处理模块,用于将标的物历史数据进行预处理,确定预处理数据;
特征提取模块,用于对预处理数据进行特征提取,建立预测模型;
模型训练模块,用于将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;
预测结果准确率确定模块,用于根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;
当前标的物行情预测模块,用于根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。
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计算机程序时实现上述一种多模型标的物行情预测方法。
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一种多模型标的物行情预测方法的计算机程序。
本发明实施例提供的一种多模型标的物行情预测方法和装置,包括:首先获取标的物历史数据;然后将标的物历史数据进行预处理,确定预处理数据;接着对预处理数据进行特征提取,建立预测模型;继续将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;下一步根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;最后根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。针对不同类型的标的物历史数据进行数据预处理、特征工程等操作,搭建模型,从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析,训练得到基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型,通过对三个模型进行权重分配完成标的物行情预测,最终的预测结果是由前述三个模型的预测准确率的不同分配不同的权重加权平均得到,有效提升了标的物的预测准确率。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。本发明从多维度为用户提供行情智能预测,能够为用户提供更多的标的物投资预测信息,让用户多方位、多维度地了解产品的行情走势分析,有效提升用户体验、用户粘性,进一步吸引用户,为实现客户的深度转化提供可能。
附图说明
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:
图1为本发明实施例一种多模型标的物行情预测方法示意图。
图2为本发明实施例一种多模型标的物行情预测方法的确定基于技术指标的行情预测模型过程示意图。
图3为本发明实施例一种多模型标的物行情预测方法的确定基于资讯的行情预测模型过程示意图。
图4为运行本发明实施的一种多模型标的物行情预测方法的计算机装置示意图。
图5为本发明实施例一种多模型标的物行情预测装置示意图。
具体实施方式
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。
本发明属于人工智能。图1为本发明实施例一种多模型标的物行情预测方法示意图,如图1所示,本发明实施例提供一种多模型标的物行情预测方法,有效提升了标的物的预测准确率,该方法包括:
步骤101:获取标的物历史数据;
步骤102:将标的物历史数据进行预处理,确定预处理数据;
步骤103:对预处理数据进行特征提取,建立预测模型;
步骤104:将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;
步骤105:根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;
步骤106:根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。
本发明实施例提供的一种多模型标的物行情预测方法,包括:首先获取标的物历史数据;然后将标的物历史数据进行预处理,确定预处理数据;接着对预处理数据进行特征提取,建立预测模型;继续将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;下一步根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;最后根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。针对不同类型的标的物历史数据进行数据预处理、特征工程等操作,搭建模型,从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析,训练得到基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型,通过对三个模型进行权重分配完成标的物行情预测,最终的预测结果是由前述三个模型的预测准确率的不同分配不同的权重加权平均得到,有效提升了标的物的预测准确率。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。本发明从多维度为用户提供行情智能预测,能够为用户提供更多的标的物投资预测信息,让用户多方位、多维度地了解产品的行情走势分析,有效提升用户体验、用户粘性,进一步吸引用户,为实现客户的深度转化提供可能。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,可以包括:
获取标的物历史数据;
将标的物历史数据进行预处理,确定预处理数据;
对预处理数据进行特征提取,建立预测模型;
将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;
根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;
根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。
本发明实施例能够为用户提供更多的投资信息,让用户多方位、多维度地了解产品的行情走势分析,有效提升用户体验、用户粘性,进一步吸引用户,为实现客户的深度转化提供可能。本发明使用行情标的物历史技术指标数据结合环境因素数据,采用机器学习相关算法建立模型,该模型能够提供标的物行情智能预测服务,为投资者的投资决策提供相关参考。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,获取标的物历史数据,包括:
连接数据采集***,获取包括标的物技术指标、资讯基础数据和用户猜涨跌相关数据的标的物历史数据。
实施例中,由于标的物的行情走势具有很大的不确定性,它不仅受标的物本身历史走势、技术指标等客观因素影响,更会受到舆论、人的情绪等主关因素影响,因此单一依靠标的物历史走势和技术指标数据来建模预测行情难以还原标的物行情预测的复杂性,影响预测的准确率;为了解决上述问题,本发明实施例在采集获取标的物历史数据时,连接数据采集***,获取包括标的物技术指标、资讯基础数据和用户猜涨跌相关数据的标的物历史数据;本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,获取标的物技术指标,包括:
连接数据采集***,对接标的物的行情信息接口,获取标的物技术指标;其中,标的物技术指标,包括:数据采集***计算和保存的包括现货、期货和股票的标的物缓存数据和技术指标数据。
实施例中,在获取标的物技术指标时,连接数据采集***,对接标的物的行情信息接口,完成标的物技术指标的获取;其中,标的物技术指标,包括:数据采集***计算和保存的包括现货、期货和股票的标的物缓存数据和技术指标数据,具体包括:1小时/4小时/日/周/月的最高价、最低价、收盘价、开盘价、成交量、涨跌幅、MA5、MA10、MA30、KDJ、RSI、MACD、BOLL布林带等K线和技术指标数据。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,获取资讯基础数据,包括:
连接数据采集***,对接标的物相关资讯接口,获取资讯基础数据;其中,资讯基础数据,包括:历史财经报道,政治事件对贵金属、原油行情的影响,用户发布的对行情的讨论,行业认证权威发布的交易策略以及热点事件分析观点,外部行情分析资讯。
实施例中,在获取资讯基础数据时,连接数据采集***,对接标的物相关资讯接口,完成资讯基础数据的获取;其中,资讯基础数据,包括:历史财经报道,政治事件对贵金属、原油行情的影响,用户发布的对行情的讨论,行业认证权威发布的交易策略以及热点事件分析观点,外部行情分析资讯。
由于标的物的行情走势具有很大的不确定性,它不仅受标的物本身历史走势、技术指标等客观因素影响,更会受到舆论、人的情绪等主观因素影响,因此单一依靠标的物历史走势和技术指标数据来建模预测行情难以还原标的物行情预测的复杂性,影响预测的准确率;本发明从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析,标的物行情走势其实很大程度上依赖于环境因素,如交易人的情绪、政治、经济等大环境的影响等。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,获取用户猜涨跌相关数据,包括:
连接数据采集***,对接用户历史交易接口,获取包括用户看涨或看跌结果的用户猜涨跌相关数据。
实施例中,用户对于标的物的走势可以猜涨跌,为了增强模型预测的准确性,对用户“看涨”或者“看跌”的交易情绪信息进行数据采集,主要过程包括:连接数据采集***,对接用户历史交易接口,获取包括用户看涨或看跌结果的用户猜涨跌相关数据。
由于标的物的行情走势具有很大的不确定性,它不仅受标的物本身历史走势、技术指标等客观因素影响,更会受到舆论、人的情绪等主观因素影响,因此单一依靠标的物历史走势和技术指标数据来建模预测行情难以还原标的物行情预测的复杂性,影响预测的准确率;本发明从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析,标的物行情走势其实很大程度上依赖于环境因素,如交易人的情绪、政治、经济等大环境的影响等。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,将标的物历史数据进行预处理,确定预处理数据,包括:
将标的物技术指标、资讯基础数据和用户猜涨跌相关数据进行预处理,得到达到机器学习算法输入标准的预处理数据。
实施例中,为了使得获取的标的物历史数据能够被机器学习使用,需要将标的物技术指标、资讯基础数据和用户猜涨跌相关数据进行预处理,达到机器学习算法输入标准。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,对预处理数据进行特征提取,建立预测模型,包括:对预处理数据实施特征工程进行特征提取,建立预测模型,其中,建立预测模型的算法包括机器学习算法中的CNN卷积神经网络算法和逻辑回归算法。该预测模型能够提供标的物行情智能预测服务,为投资者的投资决策提供相关参考。
图2为本发明实施例一种多模型标的物行情预测方法的确定基于技术指标的行情预测模型过程示意图,如图2所示,具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,确定基于技术指标的行情预测模型,包括:
步骤201:根据需要预测的时间长度维度,取不同维度的特征输入数据;
步骤202:根据不同维度的特征输入数据,利用CNN卷积神经网络算法进行试验调参,利用训练集对预测模型进行训练,通过调参学习,确定基于技术指标的行情预测模型。
实施例中,为了训练得到基于技术指标的行情预测模型,主要过程包括:首先根据需要预测的时间长度维度,取不同维度的特征输入数据;然后根据不同维度的特征输入数据,利用CNN卷积神经网络算法进行试验调参,利用训练集对预测模型进行训练,通过调参学习,确定基于技术指标的行情预测模型。
在一个实例中,根据需要预测的时间维度(下一日的涨跌幅、下一周的涨跌幅、下一月的涨跌幅)取不同维度的特征输入数据进行试验,如预测下一日涨跌幅应取固定时间范围内的日K线对应技术指标进行分析,对历史数据的采样频率进行试验调参,如要预测下一日的涨跌幅可对其前30天的数据进行采样,具体采样30天中的哪几个点也需要调整。具体的试验算法采用CNN卷积神经网络,将历史数据分为训练集和测试集,进行调参学习,最终生成基于技术指标的对标的物未来行情的预测模型。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,将资讯基础数据进行预处理,包括:
结合专业背景知识,对资讯基础数据进行打标签处理,确定预处理的资讯基础数据;其中,打标签处理,包括:从资讯基础数据中选中一段资讯进行打标签处理,选中的这一段资讯可以包括多个标签。
实施例中,为了使资讯基础数据能够被预测模型所使用,需要对资讯基础数据进行预处理,主要过程包括:通过分析历史财经、政治事件对贵金属、原油行情的影响,用户发布的对行情的讨论,网络认证大V发布的交易策略以及热点事件分析观点,外部行情分析资讯,结合专业背景知识,结合专业背景知识,对资讯基础数据进行打标签处理,确定预处理的资讯基础数据;其中,打标签处理,包括:从资讯基础数据中选中一段资讯进行打标签处理,选中的这一段资讯可以包括多个标签。
图3为本发明实施例一种多模型标的物行情预测方法的确定基于资讯的行情预测模型过程示意图,如图3所示,具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,确定基于资讯的行情预测模型,包括:
步骤301:对标的物进行标签化处理,将标的物进行分类;
步骤302:使用资讯基础数据的标签作为输入数据,标的物所处分类的类别的涨跌作为学习目标,将预处理的资讯基础数据分为训练集和测试集,采用CNN卷积神经网络结合训练集对预测模型进行训练,确定基于资讯的行情预测模型。
实施例中,为了训练得到基于资讯的行情预测模型,主要过程包括:首先对标的物进行标签化处理,将标的物进行分类;然后使用资讯基础数据的标签作为输入数据,标的物所处分类的类别的涨跌作为学习目标,将预处理的资讯基础数据分为训练集和测试集,采用CNN卷积神经网络结合训练集对预测模型进行训练,确定基于资讯的行情预测模型。实施例中,对于所要预测的标的进行标签化处理,将标的物进行分类,使用资讯的标签作为输入,标的物所处类别的涨跌作为学习目标,将历史数据分为训练集和测试集,采用CNN卷积神经网络进行模型训练,最终生成基于资讯的对标的物未来行情的预测模型。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,确定基于用户猜涨跌交易情绪模型,包括:
从用户猜涨跌相关数据中提取每个用户参与过的猜涨跌交易行为结果;
以每个用户参与过的猜涨跌交易行为结果为基准,将猜涨跌的正确率、参与率作为考量数据,设置初始权重,采用逻辑回归算法进行建模,
对于正确率、参与率高于预设阈值的数据,动态调整权重,回归用户猜涨跌历史数据,确定基于用户猜涨跌交易情绪模型。
实施例中,为了训练得到基于用户猜涨跌交易情绪模型,主要过程包括:首先从用户猜涨跌相关数据中提取每个用户参与过的猜涨跌交易行为结果;然后以每个用户参与过的猜涨跌交易行为结果为基准,将猜涨跌的正确率、参与率作为考量数据,设置初始权重,采用逻辑回归算法进行建模,最后对于正确率、参与率高于预设阈值的数据,动态调整权重,回归用户猜涨跌历史数据,确定基于用户猜涨跌交易情绪模型。
用户对于标的物的走势可以猜涨跌,以每个用户参与过的猜涨跌结果为基准,将正确率、参与率作为考量数据,设置初始权重,采用逻辑回归算法进行建模,对于正确率、参与率较高的数据,将会动态调整权重,以提高该模型可靠性,并回归历史数据以提高该模型准确性。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率,包括:
在前述通过训练得到的基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型基础上,通过测试集分别输入到基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型基础中,得出上述三个模型各自的预测结果准确率。
具体实施本发明实施例提供的一种多模型标的物行情预测方法时,在一个实施例中,根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果,包括:
根据基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配不同的权重,准确率越高,权重越大,最终通过加权评价,得到最终预测当前标的物行情的综合预测模型,通过综合预测模型,预测当前标的物行情,确定当前标的物行情预测结果。
最终的预测结果根据以上三个模型的准确率的高低分配不同的权重,加权平均得到。
本发明从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析。传统的行情预测***往往仅仅依赖于标的物历史技术指标数据,而忽略了行情走势其实很大程度上依赖于环境因素,如交易人的情绪、政治、经济等大环境的影响等。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。
能够为用户提供更多的投资信息,让用户多方位、多维度地了解产品的行情走势分析,有效提升用户体验、用户粘性,进一步吸引用户,为实现客户的深度转化提供可能。本发明使用行情标的物历史技术指标数据结合环境因素数据,采用机器学习相关算法建立模型,该模型能够提供标的物行情智能预测服务,为投资者的投资决策提供相关参考。
本发明在对标的物进行预测的过程中,不仅考虑了标的物自身的历史技术指标,同样也考虑了近期舆论资讯信息,交易者情绪信息等多维度的信息,针对不同类型的信息进行数据预处理、特征工程等操作,最终搭建模型完成预测,最终的预测结果是由3个模型的预测准确率的不同分配不同的权重加权平均得到,有效提升了标的物的预测准确率。
下面结合具体场景,对本发明实施例提供的一种多模型标的物行情预测方法进行简要描述:
本发明实施例提供的一种多模型标的物行情预测方法,可以搭建交易智能行情预测***,能够为用户提供更多的投资信息,让用户多方位、多维度地了解产品的行情走势分析,有效提升用户体验、用户粘性,进一步吸引用户,为实现客户的深度转化提供可能。本发明使用行情标的物历史技术指标数据结合环境因素数据,采用机器学习相关算法建立模型,该模型能够提供标的物行情智能预测服务,为投资者的投资决策提供相关参考。
主要包括数据采集和预处理、特征提取和模型训练、提供预测结果三个步骤。
其中数据采集和预处理主要包括:
1.对接标的物的行情信息接口完成历史技术指标采集;
2.对接标的物相关资讯接口,完成资讯相关信息采集;
3.对用户“看涨”或者“看跌”的交易情绪信息进行数据采集;
4.对以上采集数据进行数据预处理以便后续采用相关机器学习算法进行建模;
其中特征提取和模型训练部分主要包括:
1.针对以下3个模型所需的特征输入进行处理和提取;
2.基于KDJ、MA等技术指标的行情预测模型训练;
3.基于金融资讯的行情预测模型训练;
4.基于用户“猜涨跌”交易情绪建立模型对后市行情进行预测;
将历史数据分为训练集和测试集,模型训练完成后,根据测试集中以上3个维度的预测准确率的高低为以上3个维度分配不同的权重。
其中,提供预测结果主要包括:
最终的预测结果由以上3个维度的预测值进行加权平均后得出。
本发明从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析。传统的行情预测***往往仅仅依赖于标的物历史技术指标数据,而忽略了行情走势其实很大程度上依赖于环境因素,如交易人的情绪、政治、经济等大环境的影响等。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。
首先技术人员需要对标的物技术指标、资讯基础数据、用户猜涨跌相关数据做数据采集。其次,需要对这些数据做数据预处理以达到可以作为机器学***均得到最终的预测结果。
本发明最重要的步骤是数据预处理阶段和建模阶段,这两个阶段直接决定了模型预测的准确性。
本发明实施例还提供一种多模型标的物行情预测方法的模块化实例,主要包括:
数据采集和预处理、特征提取和模型训练、输出预测结果三大模块,其中数据采集和预处理、特征提取和模型训练两个模块针对三个维度的数据处理方式不一样,输出预测结果模块根据不同维度模型的预测结果准确率的高低为不同维度的模型分配权重,最终加权平均得到最终预测结果。现就标的物不同维度的数据采集、预处理、特征提取、模型训练方法进行详情说明。
1.基于KDJ、MA等技术指标的行情趋势智能分析:
取数据采集***计算和保存的现货、期货、股票等标的的历史数据,具体包括1小时/4小时/日/周/月的最高价、最低价、收盘价、开盘价、成交量、涨跌幅、MA5、MA10、MA30、KDJ、RSI、MACD、BOLL布林带等K线和技术指标数据。
根据需要预测的时间维度(下一日的涨跌幅、下一周的涨跌幅、下一月的涨跌幅)取不同维度的特征输入数据进行试验,如预测下一日涨跌幅应取固定时间范围内的日K线对应技术指标进行分析,对历史数据的采样频率进行试验调参,如要预测下一日的涨跌幅可对其前30天的数据进行采样,具体采样30天中的哪几个点也需要调整。
具体的试验算法采用CNN卷积神经网络,将历史数据分为训练集和测试集,进行调参学习,最终生成对标的物未来行情的预测模型。
2.通过资讯源接入资讯基础数据的行情趋势智能分析:
通过分析历史财经、政治事件对贵金属、原油行情的影响,用户发布的对行情的讨论,大V发布的交易策略以及热点事件分析观点,外部行情分析资讯,结合专业背景知识,对所采集的数据进行预处理,预处理具体包括对某一段资讯进行打标签处理,一段资讯可以包括多个标签,对于所要预测的标的同样进行标签化处理,将标的物进行分类,使用资讯的标签作为输入,标的物所处类别的涨跌作为学习目标,将历史数据分为训练集和测试集,采用CNN卷积神经网络进行模型训练,最终生成对标的物未来行情的预测模型。
3.基于用户交易情绪的行情智能预测:
用户对于标的物的走势可以猜涨跌,以每个用户参与过的猜涨跌结果为基准,将正确率、参与率作为考量数据,设置初始权重,采用逻辑回归算法进行建模,对于正确率、参与率较高的数据,将会动态调整权重,以提高该模型可靠性,并回归历史数据以提高该模型准确性。
最终的预测结果根据以上三个模型的准确率的高低分配不同的权重,加权平均得到。
上述一种多模型标的物行情预测方法的模块化实例,主要数据处理过程,包括:
1.数据采集模块采集模型1、模型2、模型3所需要的数据;
2.数据预处理模块对步骤1采集的数据做预处理、主要包括数据标准化处理等;
3.对步骤2标准化后的数据进行特征提取和处理,主要包括主成分分析等数据处理;
4.将历史数据分为训练集合测试集,分别训练得到模型1、模型2、模型3;
5.根据模型1、模型2、模型3在测试集的预测准确率,为其分配不同的权重,准确率越高,权重越大,最终加权平均得到最终的预测结果。
本发明实施例的核心创新点,包括:
1.标的物行情预测数据采集范围;
2.针对不同的数据类型运用不同的特征工程和建模方法;
3.对资讯、交易人情绪等影响标的物行情的环境因素进行量化,输入到模型中进行学习,提升模型预测的准确率;
4.对标的物技术指标数据、资讯、交易人情绪等环境因素数据进行量化,分别建立预测模型,最终根据每个模型的预测准确率的高低分配不同的权重,加权平均得到最终结果,提升最终模型的预测准确率。
本发明在对标的物进行预测的过程中,不仅考虑了标的物自身的历史技术指标,同样也考虑了近期舆论资讯信息,交易者情绪信息等多维度的信息,针对不同类型的信息进行数据预处理、特征工程等操作,最终搭建模型完成预测,最终的预测结果是由3个模型的预测准确率的不同分配不同的权重加权平均得到,有效提升了标的物的预测准确率。
图4为运行本发明实施的一种多模型标的物行情预测方法的计算机装置示意图,如图4所示,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计算机程序时实现上述一种多模型标的物行情预测方法。
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实现上述一种多模型标的物行情预测方法的计算机程序。
本发明实施例中还提供了一种多模型标的物行情预测装置,如下面的实施例所述。由于该装置解决问题的原理与一种多模型标的物行情预测方法相似,因此该装置的实施可以参见一种多模型标的物行情预测方法的实施,重复之处不再赘述。
图5为本发明实施例一种多模型标的物行情预测装置示意图,如图5所示,本发明实施例还提供一种多模型标的物行情预测装置,具体实施时可以包括:
标的物历史数据获取模块501,用于获取标的物历史数据;
预处理模块502,用于将标的物历史数据进行预处理,确定预处理数据;
特征提取模块503,用于对预处理数据进行特征提取,建立预测模型;
模型训练模块504,用于将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;
预测结果准确率确定模块505,用于根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;
当前标的物行情预测模块506,用于根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的标的物历史数据获取模块,具体用于:
连接数据采集***,获取包括标的物技术指标、资讯基础数据和用户猜涨跌相关数据的标的物历史数据。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的标的物历史数据获取模块,还用于:
连接数据采集***,对接标的物的行情信息接口,获取标的物技术指标;其中,标的物技术指标,包括:数据采集***计算和保存的包括现货、期货和股票的标的物缓存数据和技术指标数据。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的标的物历史数据获取模块,还用于:
连接数据采集***,对接标的物相关资讯接口,获取资讯基础数据;其中,资讯基础数据,包括:历史财经报道,政治事件对贵金属、原油行情的影响,用户发布的对行情的讨论,行业认证权威发布的交易策略以及热点事件分析观点,外部行情分析资讯。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的标的物历史数据获取模块,还用于:
连接数据采集***,对接用户历史交易接口,获取包括用户看涨或看跌结果的用户猜涨跌相关数据。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的预处理模块,具体用于:
将标的物技术指标、资讯基础数据和用户猜涨跌相关数据进行预处理,得到达到机器学习算法输入标准的预处理数据。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的模型训练模块,具体用于:
根据需要预测的时间长度维度,取不同维度的特征输入数据;
根据不同维度的特征输入数据,利用CNN卷积神经网络算法进行试验调参,利用训练集对预测模型进行训练,通过调参学习,确定基于技术指标的行情预测模型。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的预处理模块,还用于:
结合专业背景知识,对资讯基础数据进行打标签处理,确定预处理的资讯基础数据;其中,打标签处理,包括:从资讯基础数据中选中一段资讯进行打标签处理,选中的这一段资讯可以包括多个标签。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的模型训练模块,还用于:
对标的物进行标签化处理,将标的物进行分类;
使用资讯基础数据的标签作为输入数据,标的物所处分类的类别的涨跌作为学习目标,将预处理的资讯基础数据分为训练集和测试集,采用CNN卷积神经网络结合训练集对预测模型进行训练,确定基于资讯的行情预测模型。
具体实施本发明实施例提供的一种多模型标的物行情预测装置时,在一个实施例中,前述的模型训练模块,还用于:
从用户猜涨跌相关数据中提取每个用户参与过的猜涨跌交易行为结果;
以每个用户参与过的猜涨跌交易行为结果为基准,将猜涨跌的正确率、参与率作为考量数据,设置初始权重,采用逻辑回归算法进行建模,
对于正确率、参与率高于预设阈值的数据,动态调整权重,回归用户猜涨跌历史数据,确定基于用户猜涨跌交易情绪模型。
综上,本发明实施例提供的一种多模型标的物行情预测方法和装置,包括:首先获取标的物历史数据;然后将标的物历史数据进行预处理,确定预处理数据;接着对预处理数据进行特征提取,建立预测模型;继续将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;下一步根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;最后根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。针对不同类型的标的物历史数据进行数据预处理、特征工程等操作,搭建模型,从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析,训练得到基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型,通过对三个模型进行权重分配完成标的物行情预测,最终的预测结果是由前述三个模型的预测准确率的不同分配不同的权重加权平均得到,有效提升了标的物的预测准确率。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。本发明从多维度为用户提供行情智能预测,能够为用户提供更多的标的物投资预测信息,让用户多方位、多维度地了解产品的行情走势分析,有效提升用户体验、用户粘性,进一步吸引用户,为实现客户的深度转化提供可能。
本发明从多维度为用户提供行情智能预测,不仅包含传统的通过历史技术指标方式预测行情,还包括了基于资讯的行情预测以及用户的交易情绪分析。传统的行情预测***往往仅仅依赖于标的物历史技术指标数据,而忽略了行情走势其实很大程度上依赖于环境因素,如交易人的情绪、政治、经济等大环境的影响等。本发明除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴,增加了模型的可信度和准确率。能够为用户提供更多的投资信息,让用户多方位、多维度地了解产品的行情走势分析,有效提升用户体验、用户粘性,进一步吸引用户,为实现客户的深度转化提供可能。本发明使用行情标的物历史技术指标数据结合环境因素数据,采用机器学习相关算法建立模型,该模型能够提供标的物行情智能预测服务,为投资者的投资决策提供相关参考。
本发明在对标的物进行预测的过程中,不仅考虑了标的物自身的历史技术指标,同样也考虑了近期舆论资讯信息,交易者情绪信息等多维度的信息,针对不同类型的信息进行数据预处理、特征工程等操作,最终搭建模型完成预测,最终的预测结果是由3个模型的预测准确率的不同分配不同的权重加权平均得到,有效提升了标的物的预测准确率。
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、***、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。
本发明是参照根据本发明实施例的方法、设备(***)、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。
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。
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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (22)
1.一种多模型标的物行情预测方法,其特征在于,包括:
获取标的物历史数据;
将标的物历史数据进行预处理,确定预处理数据;
对预处理数据进行特征提取,建立预测模型;
将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;
根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;
根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。
2.如权利要求1所述的方法,其特征在于,获取标的物历史数据,包括:
连接数据采集***,获取包括标的物技术指标、资讯基础数据和用户猜涨跌相关数据的标的物历史数据。
3.如权利要求2所述的方法,其特征在于,获取标的物技术指标,包括:
连接数据采集***,对接标的物的行情信息接口,获取标的物技术指标;其中,标的物技术指标,包括:数据采集***计算和保存的包括现货、期货和股票的标的物缓存数据和技术指标数据。
4.如权利要求2所述的方法,其特征在于,获取资讯基础数据,包括:
连接数据采集***,对接标的物相关资讯接口,获取资讯基础数据;其中,资讯基础数据,包括:历史财经报道,政治事件对贵金属、原油行情的影响,用户发布的对行情的讨论,行业认证权威发布的交易策略以及热点事件分析观点,外部行情分析资讯。
5.如权利要求2所述的方法,其特征在于,获取用户猜涨跌相关数据,包括:
连接数据采集***,对接用户历史交易接口,获取包括用户看涨或看跌结果的用户猜涨跌相关数据。
6.如权利要求2所述的方法,其特征在于,将标的物历史数据进行预处理,确定预处理数据,包括:
将标的物技术指标、资讯基础数据和用户猜涨跌相关数据进行预处理,得到达到机器学习算法输入标准的预处理数据。
7.如权利要求6所述的方法,其特征在于,确定基于技术指标的行情预测模型,包括:
根据需要预测的时间长度维度,取不同维度的特征输入数据;
根据不同维度的特征输入数据,利用CNN卷积神经网络算法进行试验调参,利用训练集对预测模型进行训练,通过调参学习,确定基于技术指标的行情预测模型。
8.如权利要求6所述的方法,其特征在于,将资讯基础数据进行预处理,包括:
结合专业背景知识,对资讯基础数据进行打标签处理,确定预处理的资讯基础数据;其中,打标签处理,包括:从资讯基础数据中选中一段资讯进行打标签处理,选中的这一段资讯可以包括多个标签。
9.如权利要求8所述的方法,其特征在于,确定基于资讯的行情预测模型,包括:
对标的物进行标签化处理,将标的物进行分类;
使用资讯基础数据的标签作为输入数据,标的物所处分类的类别的涨跌作为学习目标,将预处理的资讯基础数据分为训练集和测试集,采用CNN卷积神经网络结合训练集对预测模型进行训练,确定基于资讯的行情预测模型。
10.如权利要求6所述的方法,其特征在于,确定基于用户猜涨跌交易情绪模型,包括:
从用户猜涨跌相关数据中提取每个用户参与过的猜涨跌交易行为结果;
以每个用户参与过的猜涨跌交易行为结果为基准,将猜涨跌的正确率、参与率作为考量数据,设置初始权重,采用逻辑回归算法进行建模,
对于正确率、参与率高于预设阈值的数据,动态调整权重,回归用户猜涨跌历史数据,确定基于用户猜涨跌交易情绪模型。
11.一种多模型标的物行情预测装置,其特征在于,包括:
标的物历史数据获取模块,用于获取标的物历史数据;
预处理模块,用于将标的物历史数据进行预处理,确定预处理数据;
特征提取模块,用于对预处理数据进行特征提取,建立预测模型;
模型训练模块,用于将预处理数据分为训练集和测试集,利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型;
预测结果准确率确定模块,用于根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率;
当前标的物行情预测模块,用于根据三个模型各自的预测结果准确率,对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重,加权平均后预测当前标的物行情,确定当前标的物行情预测结果。
12.如权利要求11所述的装置,其特征在于,标的物历史数据获取模块,具体用于:
连接数据采集***,获取包括标的物技术指标、资讯基础数据和用户猜涨跌相关数据的标的物历史数据。
13.如权利要求12所述的装置,其特征在于,标的物历史数据获取模块,还用于:
连接数据采集***,对接标的物的行情信息接口,获取标的物技术指标;其中,标的物技术指标,包括:数据采集***计算和保存的包括现货、期货和股票的标的物缓存数据和技术指标数据。
14.如权利要求12所述的装置,其特征在于,标的物历史数据获取模块,还用于:
连接数据采集***,对接标的物相关资讯接口,获取资讯基础数据;其中,资讯基础数据,包括:历史财经报道,政治事件对贵金属、原油行情的影响,用户发布的对行情的讨论,行业认证权威发布的交易策略以及热点事件分析观点,外部行情分析资讯。
15.如权利要求12所述的装置,其特征在于,标的物历史数据获取模块,还用于:
连接数据采集***,对接用户历史交易接口,获取包括用户看涨或看跌结果的用户猜涨跌相关数据。
16.如权利要求12所述的装置,其特征在于,预处理模块,具体用于:
将标的物技术指标、资讯基础数据和用户猜涨跌相关数据进行预处理,得到达到机器学习算法输入标准的预处理数据。
17.如权利要求16所述的装置,其特征在于,模型训练模块,具体用于:
根据需要预测的时间长度维度,取不同维度的特征输入数据;
根据不同维度的特征输入数据,利用CNN卷积神经网络算法进行试验调参,利用训练集对预测模型进行训练,通过调参学习,确定基于技术指标的行情预测模型。
18.如权利要求16所述的装置,其特征在于,预处理模块,还用于:
结合专业背景知识,对资讯基础数据进行打标签处理,确定预处理的资讯基础数据;其中,打标签处理,包括:从资讯基础数据中选中一段资讯进行打标签处理,选中的这一段资讯可以包括多个标签。
19.如权利要求18所述的装置,其特征在于,模型训练模块,还用于:
对标的物进行标签化处理,将标的物进行分类;
使用资讯基础数据的标签作为输入数据,标的物所处分类的类别的涨跌作为学习目标,将预处理的资讯基础数据分为训练集和测试集,采用CNN卷积神经网络结合训练集对预测模型进行训练,确定基于资讯的行情预测模型。
20.如权利要求16所述的装置,其特征在于,模型训练模块,还用于:
从用户猜涨跌相关数据中提取每个用户参与过的猜涨跌交易行为结果;
以每个用户参与过的猜涨跌交易行为结果为基准,将猜涨跌的正确率、参与率作为考量数据,设置初始权重,采用逻辑回归算法进行建模,
对于正确率、参与率高于预设阈值的数据,动态调整权重,回归用户猜涨跌历史数据,确定基于用户猜涨跌交易情绪模型。
21.一种计算机设备,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计算机程序时实现权利要求1至10任一项所述方法。
22.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行实现权利要求1至10任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780081.1A CN113449923A (zh) | 2021-07-09 | 2021-07-09 | 一种多模型标的物行情预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780081.1A CN113449923A (zh) | 2021-07-09 | 2021-07-09 | 一种多模型标的物行情预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113449923A true CN113449923A (zh) | 2021-09-28 |
Family
ID=77815654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780081.1A Pending CN113449923A (zh) | 2021-07-09 | 2021-07-09 | 一种多模型标的物行情预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449923A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228424A (zh) * | 2023-03-03 | 2023-06-06 | 深圳市深弈科技有限公司 | 基于迁移学习优化的模拟撮合方法 |
-
2021
- 2021-07-09 CN CN202110780081.1A patent/CN113449923A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228424A (zh) * | 2023-03-03 | 2023-06-06 | 深圳市深弈科技有限公司 | 基于迁移学习优化的模拟撮合方法 |
CN116228424B (zh) * | 2023-03-03 | 2024-06-04 | 深圳市深弈科技有限公司 | 基于迁移学习优化的模拟撮合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsantekidis et al. | Forecasting stock prices from the limit order book using convolutional neural networks | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN110222880B (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
CN109583966B (zh) | 一种高价值客户识别方法、***、设备及存储介质 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN109636482B (zh) | 基于相似度模型的数据处理方法及*** | |
CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及*** | |
CN112132679A (zh) | 产品推荐方法及装置 | |
CN113570398A (zh) | 推广数据处理方法、模型训练方法、***和存储介质 | |
CN113421168B (zh) | 一种机械基础零部件智能加工*** | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
Wimmer et al. | Leveraging vision-language models for granular market change prediction | |
CN111695625A (zh) | 一种基于多级注意力机制网络的移动应用流行度预测方法 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN110264251B (zh) | 表征现金流的数据组织形式与基于多任务学习的预测方法 | |
CN113420909A (zh) | 一种用户响应信息预测模型建立方法及信息预测方法 |
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 |