[发明专利]量化交易指标的预测和显示方法、电子设备和介质有效
申请号: | 202010128407.8 | 申请日: | 2020-02-28 |
公开(公告)号: | CN111427935B | 公开(公告)日: | 2023-05-30 |
发明(设计)人: | 李剑戈;肖钢;曹震;周能;张晓林;陶昆 | 申请(专利权)人: | 中信建投证券股份有限公司 |
主分类号: | G06F16/248 | 分类号: | G06F16/248;G06F16/2458;G06Q40/04;G06Q10/0639;G06Q10/04;G06N3/084 |
代理公司: | 北京唯智勤实知识产权代理事务所(普通合伙) 11557 | 代理人: | 陈佳 |
地址: | 100010 北京市*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 量化 交易 指标 预测 显示 方法 电子设备 介质 | ||
1.一种量化交易指标的预测和显示方法,包括:
从数据库获取待预测时间点之前的量化交易数据,其中,所述量化交易数据包括:量化交易时序指标,量化交易因子值;
对所述量化交易数据进行预处理;
将所述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,以及控制通信连接的显示设备显示所述量化交易指标,其中,所述量化交易指标预测模型在预测过程中使用了分层注意力机制、多尺度卷积操作和深度循环神经网络;
其中,所述将所述预处理后的量化交易数据输入预先训练的量化交易指标预测模型,输出待预测时间点的量化交易指标,包括:
将对量化交易数据预处理后得到的量化交易因子向量进行多尺度卷积操作,得到高维因子向量;
将所述高维因子向量输入深度循环神经网络中,得到所述高维因子向量在预定数量层的特征表达信息,其中,所述深度循环神经网络的深度大于等于2;
使用所述分层注意力机制,从所述特征表达信息中逐层筛选出与预处理后的量化交易时序指标相关的相关度序列;
基于所述预处理后的量化交易时序指标和所述相关度序列,得到待预测时间点的量化交易指标,其中,所述基于所述预处理后的量化交易时序指标和所述相关度序列,得到待预测时间点的量化交易指标,包括:结合相关度序列和T-1个时刻对应的量化交易时序指标,计算出T-1个时刻对应的量化交易指标预测值,将这T-1个时刻对应的量化交易指标预测值作为解码器RHN的输入,最终解码器RHN输出第T时刻的预测值,其中,解码器RHN的深度大于等于2,T表示待预测时间点。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于所述量化交易指标达到预定阈值,将所述量化交易指标发送给通信连接的交易执行设备以及控制所述交易执行设备完成预定的操作,其中,所述交易执行设备包括以下至少一项:绘图设备,打印设备,存储设备。
3.根据权利要求1所述的方法,其中,所述方法还包括:
确定所述量化交易指标是否大于预定阈值;
响应于大于预定阈值,将所述量化交易指标存入通信连接的数据库以及发送给指定用户终端;
响应于不大于预定阈值,将所述量化交易指标存入通信连接的数据库。
4.根据权利要求3所述的方法,其中,所述将对量化交易数据预处理后得到的量化交易因子向量进行多尺度卷积操作,得到高维因子向量,包括:
使用至少一个卷积核对所述预处理后量化交易因子向量进行一维卷积,得到至少一个卷积结果;
将所述至少一个卷积结果与所述量化交易因子向量连接,得到高维因子向量。
5.根据权利要求1所述的方法,其中,所述预处理包括以下至少一项:缺失数据处理,因子标准化,因子中性化。
6.根据权利要求1-5之一所述的方法,其中,所述量化交易因子包括以下至少一项:波动因子,财务质量因子,市场预期因子,杠杆因子,估值因子,成长因子,换手率因子。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中信建投证券股份有限公司,未经中信建投证券股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010128407.8/1.html,转载请声明来源钻瓜专利网。