[发明专利]基于加权密集连接卷积神经网络深度学习的股票投资方法

权利要求书

1.一种基于加权密集连接卷积神经网络深度学习的股票投资方法，其特征在于包括如下步骤：

步骤1)输入股票信息矩阵的构建：将股票数据分成长度相等的时间段T，每个时间段T内包含与时间段T相对应的历史股票数据，所述历史股票数据为一个二维空间矩阵Xt(m,n)，其中m代表股票参数，所述股票参数包括开盘价、收盘价、最低价、最高价、成交量、成交额以及涨跌幅度等，n代表当前时间段内的天数,t表示T时间段内的某一时刻,股票环境状态s表示为：s＝Xt；

步骤2)训练数据的获取：构建一个能容纳m个数据样本的经验池，将历史股票信息矩阵Xt输入加权密集连接卷积神经网络后获得的样本数据[s，a，r]按照时间顺序存储在经验池之中，每次训练时随机从经验池中抽取一定量样本batch供给网络学习，其中，a为选择的买卖动作，r为通过买卖动作获得的收益，即为奖励值；

步骤3)加权密集连接卷积网络模型结构的训练：构建一个加权密集连接卷积网络，根据所述从经验池采样得到的batch数据的s作为加权密集连接卷积网络的输入，该加权密集连接卷积网络通过Q学习方法获得的Q值作为训练数据的标记，其中，Q值为每个买卖动作对应的期望价值；

步骤4)股票买卖动作的选择：设定初始随机选择动作概率为E1，最终随机选择动作概率为E0，根据随机选择动作概率值决定是选择随机动作还是通过加权密集连接网络输出的Q值中选择最大的Q值所对应的动作。

2.根据权利要求1所述的基于加权密集连接卷积神经网络深度学习的股票投资方法，其特征在于所述步骤2)中当经验池容量达到上限，新样本数据将替换经验池中按时间顺序最旧的样本。

3.根据权利要求1所述的基于加权密集连接卷积神经网络深度学习的股票投资方法，其特征在于所述步骤3)中加权密集连接卷积神经网络模型包括：

卷积核数量为64的卷积层以及若干个密集连接块，用于图像特征的提取,该卷积层位于输入层之后，密集连接块逐一地、依次地排列于该卷积层之后；

过渡层，紧随每个密集连接块之后，用于减小特征维度和尺寸；

全连接层，与最后一个所述密集连接块通信连接，所述全连接层为三层，第一层全连接网络输出值经过ReLU激活后输入到第二层，第二层与输出层直接相连无激活函数，输出层设有个数为三个输出节点，分别对应地用于输出买入动作、卖出动作以及无动作对应的Q值，所述买入动作为：设投资总金额为π，所述买入动作每次买入固定金额πbuy(0＜πbuy≤π)；卖出动作为：每次卖出固定金额πSell(0＜πSell≤π)；所述无动作为：当投资金额达到总金额时，禁止买入动作，当投资金额等于0时，禁止卖出动作。

4.根据权利要求3所述的基于加权密集连接卷积神经网络深度学习的股票投资方法，其特征在于所述密集连接块内部包含了p层密集连接块子层，每一层密集连接块子层的输入包括当前密集连接块子层之前所有密集连接块子层的输出，将之前所有密集连接块子层的特征图与当前密集连接块子层的特征图进行并联，接着经过一个瓶颈层输出。

5.根据权利要求4所述的基于加权密集连接卷积神经网络深度学习的股票投资方法，其特征在于所述密集连接块中将当前密集连接块之前的所有密集连接块子层特征图与当前密集连接块子层的特征图进行并联时，对当前以及之前所有密集连接块子层的特征图进行初始加权操作，将当前密集连接块子层的特征图权重设为1，第一层的特征图权重设置为σ(0＜σ＜1)，设之前有i层，则第i层的权值设为：