[发明专利]采用经验回放机制的目标股票选择方法、装置及存储介质

说明书

本发明涉及一种人工智能技术，公开了一种采用经验回放机制的目标股票选择方法、装置及存储介质。本发明通过获取待处理的各股票在预设时间点舆情因子观测值和收益率，得到各股票在预设时间点的第一相关系数，并输入预测模型得到个股票在下一时间点的第二相关系数，再基于第二相关系数和舆情因子观测值计算得到各所述股票的评分，基于评分的高低，选择第一预设数量的股票作为目标股票。相较于现有技术，本发明在模型训练时引入经验回放机制，打破了所采用的训练样本之间的相关性，从而能提高了监督学习的学习效果及神经网络模型的泛化能力，从而得到舆情类因子的更好的动态赋权效果。

技术领域

本发明涉及计算机技术领域，特别涉及一种基于舆情因子，在预测模型中引入经验回放机制的投资组合选择方法、电子装置及计算机可读存储介质。

背景技术

股市可以说是被称为国民经济的晴雨表，这是由于舆情因子一定程度上可以表达为该股票的市场潜在能量。舆情因子可包括新闻热度因子，通常的表现形式为社会对个股的新闻舆论，以及情绪因子，通常的表现形式为大众对个股相应新闻的态度。舆情因子的影响通常被认为是有传递性和连续性的，正如个人对一个公司的印象应当理解为此时刻之前所有印象的总和。当某股票的新闻热度观测值越高，则该股票的未来收益可能会越高；当大众对某股票的情绪观测值的绝对值越高，则表示正面或负面的情感越强烈，从而对该股票的未来收益存在越强烈的正面或负面的影响。

因此，当决定选股投资策略时，不采用专业人员进行人工分析的办法，而是通过采用监督学习方式(如采用神经网络等模型)引入预测模型，从而通过预测模型的输出结果来帮助选股，可以更好的提取并分析舆情类因子的有用信息，从而可以更准确地获得用于制定调仓的策略。

然而，监督学习方式对于输入的样本都由独立同分布(Independent andidentically distributed)的要求，而在实际操作和计算过程中，所采集得到的股票的舆情类因子(如新闻热度因子、情绪因子)的观测值通常是有强序关联性的，因此这种现象将导致现有预测模型的预测能力下降，预测结果产生偏差。

发明内容

本发明的主要目的是提供一种基于舆情因子的目标股票选择方法、电子装置及计算机可读存储介质。旨在通过在监督学习中引入经验回放机制，打破了所采用的训练样本，即舆情因子的IC值之间的相关性，克服了经验数据的相关性和非平稳分布，减少训练过程中模型参数更新的方差，从而能提高了监督学习的学习效果及神经网络模型的泛化能力，从而得到舆情类因子的更好的动态赋权效果。

为实现上述目的，本发明提出的一种目标股票选择方法，包括如下步骤：

获取步骤：获取待处理的各股票在预设时间点的舆情因子观测值及收益率；

计算步骤：基于所述舆情因子观测值、所述收益率及预设计算规则，计算得到各所述股票的第一相关系数；

预测步骤：将各所述第一相关系数输入预先基于经验回放机制建立的预测模型，得到所述预测模型输出的各第二相关系数；

评分步骤：基于各所述第二相关系数、所述舆情因子观测值及预设评分规则，对各所述股票进行评分处理，得到各所述股票的评分；

选股步骤：将各所述评分按照从高到低顺序进行排序，选择排序靠前的第一预设数量的股票，作为所述目标股票。

优选的，本发明的目标股票选择方法中，所述预设计算规则为：

其中，所述RankIC为t时刻的第一相关系数，为t-1时刻各所述股票的舆情因子f观测值的排名，为t时刻各所述股票的收益率排名。

优选的，本发明的目标股票选择方法中，所述评分步骤包括：

根据预先确定的赋权规则，对所述第二相关系数进行设置得到权值；