[发明专利]一种基于分数阶BP神经网络的选股信息推荐方法与系统

说明书

本发明属于机器学习领域，为基于分数阶BP神经网络的选股信息推荐方法与系统，包括步骤：将包括股票指标权重组合和投资组合绩效的选股数据划分为k组，得到分组后的数据集；选择分数阶BP神经网络的激活函数、网络结构、初始参数以及学习参数，设计自适应学习率；对数据集进行学习，更新网络权重和自适应学习率；对模型进行训练，记录最终参数与网络权重；将训练的参数和网络权重代入神经网络的实际输出公式，构建得到股票性能指标权重和投资组合性能指标的函数关系，对投资组合性能指标进行优化，获得选股信息推荐结果。本发明可高效、精确地建立不同股票指标的权重组合和投资组合绩效之间的系统关系，为投资者提供符合预期的权重推荐信息。

技术领域

本发明属于机器学习技术领域，具体涉及一种基于自适应参数的分数阶BP神经网络的选股信息推荐方法与系统。

背景技术

在金融市场中，尽管人们总是假设市场是有效的，包括强式有效、半强式有效和弱式有效，但一些权威文献发现，有效市场假说在某些时期可能失效。因此，通过考虑多种选股因素选择合适的股票，有机会提高投资收益。目前，有越来越多的学者关注多因素选股模型，以提高投资回报。在大数据时代，庞大的数据量既带来机遇也带来挑战。

随着机器学习方法与理论的发展，机器学习方法被广泛应用于各个工程领域，包括金融工程。BP神经网络是最流行的神经网络之一，其中的神经网络权重是通过整数阶梯度下降算法实现更新的。近年来，分数阶导数被应用于梯度下降算法中并取得了良好的性能。由于分数阶导数的一些优良品质，如长记忆特性，分数阶梯度下降算法可能比整数阶梯度下降算法具有更好的优化能力和更短的收敛时间。但是，在一些传统文献中，分数阶神经网络的理论成果并没有得到充分的利用，例如神经网络权重的上界的存在性只是一个假设条件，由于很难获得假设的网络权重的上界以及与权重相关的其他上界，学习率的上界很难计算并应用于实验中。因此，在实际实验中，学习率的设定是固定的，这就导致了理论与实际相脱离。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于分数阶BP神经网络的选股信息推荐方法与系统，基于自适应参数的分数阶BP神经网络，可高效、精确地建立不同股票指标的权重组合和投资组合绩效之间的系统关系，利用该系统关系对股票性能指标权重进行优化，进而为投资者提供符合预期的权重推荐信息。

本发明方法所采用的技术方案如下：一种基于分数阶BP神经网络的选股信息推荐方法，包括如下步骤：

将包括股票指标权重组合和投资组合绩效的选股数据划分为k组，得到分组后的数据集；

根据所述数据集，选择分数阶BP神经网络的激活函数、网络结构、初始参数以及学习参数，设计分数阶BP神经网络的自适应学习率；

使用分数阶BP神经网络对所述数据集进行学习，在每一次迭代中更新分数阶BP神经网络的网络权重和自适应学习率；

对神经网络模型进行训练，记录最终神经网络模型的参数与网络权重；

将训练得到的神经网络模型参数和网络权重代入神经网络的实际输出公式，构建得到股票性能指标权重和投资组合性能指标的函数关系；

根据所述函数关系，对投资组合性能指标进行优化，输出优化后的股票性能指标权重和投资组合性能指标，获得选股信息推荐结果。

在优选的实施例中，所述实际输出公式为：

o_i＝g₂(vg₁(wx_i))

其中，o_i为神经网络的实际输出；g₁(·)为隐藏层的激活函数，g₂(·)为输出层的激活函数；w为隐藏层的权重，v为输出层的权重；x_i为神经网络的输入。

在优选的实施例中，设计分数阶BP神经网络的自适应学习率，为：