[发明专利]一种基于关系-时序图卷积的股票选择方法

说明书

本发明提供了一种基于关系‑时序图卷积的股票选择方法，属于股票选择技术领域，构建基于整个股票市场的关系‑时序图；基于整个股票市场的关系‑时序图，利用关系时序图卷积网络结合池化层提取每个股票的关系‑时序特征；根据提取的每只股票的关系‑时序特征，利用全连接层计算每只股票的预测回报率，并对关系时序图卷积网络进行优化；基于优化后关系时序图卷积网络，将股票市场中所有的股票预测回报率由高到低进行排序，选择回报率最高的前N只股票。股票趋势预测不仅要考虑每只股票本身的时序信息，同时还要考虑与该股票在市场中相关联的其他股票信息，因此，本发明通过以上设计解决了以往在股票趋势预测时缺乏同时考虑股票的关系‑时序特征的问题。

技术领域

本发明属于股票选择技术领域，尤其涉及一种基于关系-时序图卷积的股票选择方法。

背景技术

股票预测是金融科技领域的研究热点，投资者是否能在股票市场上获得利润在很大程度上取决于他/她是否能在适当的时间购买或交易股票。因此，准确预测股票走势是做出正确投资决策的关键。在计算机技术的帮助下，已经有许多算法被用于股票走势预测。例如，文献“Liheng Zhang,Charu C.Aggarwal,and Guo-Jun Qi，“Stock Price Predictionvia Discovering Multi-Frequency Trading Patterns，”In Proceedings of the 23rdACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Halifax,NS,Canada,August 13-17,2017， pp.2141–2149”提出用状态频率记忆网络(State Frequency Memory,SFM)捕捉长短期时间频率出色并在股票预测方面获得令人印象深刻的性能。Liu在文献“Guang Liu,Yuzhao Mao,Qi Sun,Hailong Huang,Weiguo Gao,Xuan Li,Jianping Shen,Ruifan Li,and Xiaojie Wang，“Multi-scale Two-way DeepNeural Network for Stock Trend Prediction，”In Proceedings of the Twenty-NinthInternational Joint Conference on Artificial Intelligence,IJCAI 2020.pp.4555–4561”提出了多尺度双向深度神经网络(Multi-scale Two-way Deepp Neural Network,MTDNN)，分别利用极端梯度增强和递归神经网络(RNN)，从基于小波的和基于下采样的信息中自动学习多尺度模式。文献“Yao Qin,Dongjin Song,Haifeng Chen,Wei Cheng, GuofeiJiang,and Garrison W.Cottrell，“A Dual-Stage Attention-Based Recurrent NeuralNetwork for Time Series Prediction，”In Proceedings of the Twenty-SixthInternational Joint Conference on Artificial Intelligence,IJCAI 2017,Melbourne, Australia,August 19-25,2017.pp.2627–2633”提出双重注意力循环神经网络 (Dual-attention Recurrent Neural Network,DA-RNN)是一种新的模型，它通过双重注意机制捕获数据的长期时间依赖性。然而，上述工作只将预测的股票视为单独个体，而忽略了股票之间的关系。众所周知，金融市场中的公司(股票) 往往存在着各种各样的联系。一只股票的价格往往会受到其他公司的影响。因此，本发明提出在预测股票趋势时考虑到与其他股票的关系，而不是将它们视为单个股票。