[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

说明书

本发明涉及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，该方法利用加权密集连接卷积对输入的股票数据特征提取，通过跨层连接以及对不同层的特征图赋予不同初始权值在训练过程中动态调整权值，从而更加有效地利用特征图并提高网络中所有层之间的信息流，在一定程度上减少层数过深导致训练过程中的梯度消失结果收敛困难的问题。通过加权密集连接卷积网络输出的Q值来选择合适的股票买卖动作，从而获得相应的奖励值，并将奖励值、状态存储在经验池之中，训练时从经验池随机批量采样，加权密集连接卷积神经网络对Q‑Learning算法的Q值函数进行逼近。本发明则通过直接学习股票市场的环境因素，直接给出买卖决策。

技术领域

本发明属于金融大数据技术领域，特别涉及了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。

背景技术

改革开放以来，我国市场经济建设高速发展。人民的金融意识和投资意识逐渐增强，越来越多的民众选择投资股票市场来实现自己的资产增值。然而，股价涨跌无常，股市变幻莫测，投资者要想在股市投资中赢取丰厚的投资回报，成为一个成功的投资者，就得认真研究上市公司的历史、业绩和发展前景，详细分析上市公司的财务状况，树立以基本分析为主，技术分析为辅的投资理念，找出真正具有投资价值的股票，进行长期投资。

随着我国股票市场的不断发展和完善，客观形势对股票投资者的素质要求也越来越高。理性的投资行为需要依赖于科学的分析方法。近年来，国内外的学者们在对研究股票市场的问题上进行了深入的多方面的研究和探索，研究方向主要集中在以下几个方面：

(1)基本分析法

基本分析法主要包括宏观经济分析、产业周期分析、公司分析等。基本分析预测过程的主要思想是，任何一种股票都有一个内在价值，而它的价格是由盈利潜力决定的，盈利潜力又取决于国际环境、宏观经济、国家政策、行业前景、公司业绩、投资者心理等因素。基本分析有着较强的经济学含义，承认是供求关系对价格的作用机制，较多地从影响股价变动的基本因素出发，但基本分析过于强调股票的内在价值，而我国股市普遍存在的炒作现象，往往使其价格严重背离基本价值。其次，基本分析对市场的反应比较迟钝，预测的时刚跨度比较长，在实务中被认同的程度不高。因此，基本分析偏重于股价的长期变动趋势的分析预测。

(2)价格时序分析预测

相比于上面两种分析方法，对股票价格历史序列直接进行建模是更加直接的分析方法了。一种流行的预测方法是使用神经网络或者支持向量机来对历史价格序列进行建模拟合。许多学者在将深度机器学习应用于金融市场交易的工作时，试图通过使用历史市场数据来预测价格变动或趋势。例如，在输入历史价格矩阵的情况下，网络输出预测下一周期的价格的向量。这个想法很简单，因为这是一个监督式学习的例子，更精确的说是回归问题，但预测价格变动的准确性通常难以达到。

(3)深度强化学习方法

深度强化学习模型用一个深度神经网络拟合强化学习模型中的Q值，完美地将机器学习中的深度学习与强化学习这两个分支结合在一起。和上面介绍的几种方法都不相同，之前的方法都是通过对不同因素的分析来预测股票市场价格变化趋势，从而判断是否进行股票买卖。而强化学习则通过直接学习股票市场的环境因素，直接给出买卖决策，并通过买卖动作后的收益来判断决策好坏，好的决策会有相应的奖励，同样差的决策会有相应的惩罚。通过这种机制进行学习训练，最终以获得收益最大化作为目标。

密集连接卷积神经网络通过所有层之间两两都进行连接的方式，从而使得信号可以在输入层和输出层之间高速流通，从而能够使得网络模型具有更好的收敛性，在一定程度上减轻了在训练过程中梯度消散的问题。并且网络结构中采用特征复用，从而大大减少了计算的参数量。

发明内容

本发明的目的是克服上述背景技术的不足，提供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，克服了传统深度强化学习中卷积神经网络层数加深后计算参数量大，信号传递缓慢的缺陷。为了实现上述技术目的，本发明的技术方案为：