[发明专利]一种基于人工智能的金融市场预测及决策的系统、方法

权利要求书

1.一种基于人工智能的金融市场预测及决策的系统，其特征在于，包括：

数据获取模块：用于获取金融市场的量价数据、原始市场情绪数据及另类数据，其中所述另类数据为影响市场量价的相关数据；

市场情绪特征构建模块：用于通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类，提取市场情绪数据特征；

另类数据特征构建模块：用于对所述另类数据平滑处理，并提取所述另类数据特征；

量价数据特征构建模块：用于对所述量价数据预处理后，划分所述量价数据特征类型，通过PAC算法选取主要特征；

LSTM预测模型：用于采用LSTM的金融时间序列序列预测模型，对收益率和波动率进行预测；

风险对冲计算模块：用于通过均方动态模型计算最优风险对冲比例；

投资决策模块：用于根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。

2.根据权利要求1所述的系统，其特征在于，所述通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类，提取市场情绪数据特征具体为：

将卷积神经网络作为编码器，将反卷积神经网络作为解码器，通过编码解码的深度神经网络，将所述原始市场情绪数据对应的文本内容映射到高维语义空间；

对深度神经网络进行有监督的分类训练出分类模型，通过所述分类模型将所述原始市场情绪数据区分成正向情感、负向情感和无情感。

3.根据权利要求1所述的系统，其特征在于，所述划分所述量价数据特征类型，通过PAC算法选取主要特征包括：

将所述量价数据分为规模类特征、价值类特征、成长类特征、质量类特征、技术类特征，选取三类特征建立特征库以进行测试和挑选；

选取量价数据特征分别进行自相关检验、回归法检验及rank IC序列检验。

4.根据权利要求1所述的系统，其特征在于，所述LSTM预测模型：用于采用LSTM的金融时间序列序列预测模型，对收益率和波动率进行预测包括：

结合所述收益率和波动率，对单只股票期货进行评价，所述评价包括高风险-高收益、高风险-低收益、低风险-高收益和低风险-低收益。

5.根据权利要求1所述的系统，其特征在于，所述LSTM预测模型还包括：

训练单元，用于根据所述LSTM预测模型的输出结果，构建历史数据训练集，对所述LSTM预测模型进行不断训练，缩小真实值和预测值之间差异。

6.根据权利要求1所述的系统，其特征在于，所述通过均方动态模型计算最优动态比例具体为：

在效用最大化目标下构建股指期货动态对冲策略，将股指期货市场上的对冲比一般化，采用动态规划方法，计算股指期货动态对冲的各期最优对冲比，获取最优对冲比的表达形式以计算最优对冲比例。

7.根据权利要求1所述的系统，其特征在于，所述根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股还包括：

根据用户喜好将对应的股票期货放入每一天的备选池；

设定在每个预定的调仓日，卖出所有持有的股票，选择所述备选池中股票期货等权买入，并根据最优风险对冲比例，确定股指期货买入量；

通过计算策略评价指标分析策略的有效性。

8.一种基于人工智能的金融市场预测及决策的方法，其特征在于，包括：

获取金融市场的量价数据、原始市场情绪数据及另类数据，其中所述另类数据为影响市场量价的相关数据；

通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类，提取市场情绪数据特征；

对所述另类数据平滑处理，并提取所述另类数据特征；

对所述量价数据预处理后，划分所述量价数据特征类型，通过PAC算法选取主要特征；

将市场情绪数据特征、另类数据特征及量价数据主要特征输入LSTM预测模型，采用LSTM的金融时间序列序列预测模型，对收益率和波动率进行预测；

通过均方动态模型计算最优风险对冲比例；

根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。