[发明专利]基于加权密集连接卷积神经网络深度学习的股票投资方法

摘要

本发明涉及基于加权密集连接卷积神经网络深度学习的股票投资方法，该方法利用加权密集连接卷积对输入的股票数据特征提取，通过跨层连接以及对不同层的特征图赋予不同初始权值在训练过程中动态调整权值，从而更加有效地利用特征图并提高网络中所有层之间的信息流，在一定程度上减少层数过深导致训练过程中的梯度消失结果收敛困难的问题。通过加权密集连接卷积网络输出的Q值来选择合适的股票买卖动作，从而获得相应的奖励值，并将奖励值、状态存储在经验池之中，训练时从经验池随机批量采样，加权密集连接卷积神经网络对Q‑Learning算法的Q值函数进行逼近。本发明则通过直接学习股票市场的环境因素，直接给出买卖决策。

主权项

1.一种基于加权密集连接卷积神经网络深度学习的股票投资方法，其特征在于包括如下步骤：步骤1)输入股票信息矩阵的构建：将股票数据分成长度相等的时间段T，每个时间段T内包含与时间段T相对应的历史股票数据，所述历史股票数据为一个二维空间矩阵Xt(m,n)，其中m代表股票参数，所述股票参数包括开盘价、收盘价、最低价、最高价、成交量、成交额以及涨跌幅度等，n代表当前时间段内的天数,t表示T时间段内的某一时刻,股票环境状态s表示为：s＝Xt；步骤2)训练数据的获取：构建一个能容纳m个数据样本的经验池，将历史股票信息矩阵Xt输入加权密集连接卷积神经网络后获得的样本数据[s，a，r]按照时间顺序存储在经验池之中，每次训练时随机从经验池中抽取一定量样本batch供给网络学习，其中，a为选择的买卖动作，r为通过买卖动作获得的收益，即为奖励值；步骤3)加权密集连接卷积网络模型结构的训练：构建一个加权密集连接卷积网络，根据所述从经验池采样得到的batch数据的s作为加权密集连接卷积网络的输入，该加权密集连接卷积网络通过Q学习方法获得的Q值作为训练数据的标记，其中，Q值为每个买卖动作对应的期望价值；步骤4)股票买卖动作的选择：设定初始随机选择动作概率为E1，最终随机选择动作概率为E0，根据随机选择动作概率值决定是选择随机动作还是通过加权密集连接网络输出的Q值中选择最大的Q值所对应的动作。