本發(fā)明屬于數(shù)據(jù)處理領(lǐng)域，尤其涉及一種結(jié)合lstm與多圖卷積神經(jīng)網(wǎng)絡(luò)的選股方法及系統(tǒng)。

背景技術(shù)：

1、隨著經(jīng)濟(jì)發(fā)展水平提高，金融市場日漸擴(kuò)大，股票因其潛在的高額回報率而備受投資者親睞，已經(jīng)成為最具吸引力的投資選擇之一。股票投資者能否獲得利潤本質(zhì)上取決于所選股票價格在未來會上升，因此，能否有效預(yù)測股票的未來價格和走勢至關(guān)重要。

2、量化投資通過建模方式使這一過程變得更加科學(xué)，后來隨著信息化時代的到來和人工智能技術(shù)發(fā)展，更多算法被用于股票預(yù)測。通過大量數(shù)據(jù)捕獲各種股票特征，如歷史價格數(shù)據(jù)、交易量等，與收益回報之間的關(guān)系，進(jìn)而實現(xiàn)有效的股票收益率預(yù)測，并根據(jù)預(yù)測結(jié)果選擇股票，最終獲得超額投資回報。

3、目前用于股票預(yù)測的深度學(xué)習(xí)模型仍存在著一些問題，首先在進(jìn)行股票預(yù)測時只考慮到股票價格與其歷史數(shù)據(jù)序列的關(guān)系。可是在現(xiàn)實市場中，股票并非獨立存在，它們之間存在大量關(guān)聯(lián)，例如，處于競爭關(guān)系的兩家公司，股票價格呈現(xiàn)此消彼長的狀態(tài)，而具有供應(yīng)關(guān)系的公司，股價很可能呈現(xiàn)同樣的變化趨勢。其次，基于股票關(guān)系圖的方法，通常都以靜態(tài)關(guān)系圖為基礎(chǔ)，根據(jù)先驗知識構(gòu)建股票關(guān)系圖，無法準(zhǔn)確反映股票關(guān)系的變化。并且，生成的關(guān)系圖只從某個單一角度出發(fā)(比如行業(yè)關(guān)系，wiki關(guān)系，投資關(guān)系),不能充分包含股票間的所有關(guān)系。

4、lstm是rnn的一種變體，最初被提出是為了解決rnn在反向傳播過程中容易產(chǎn)生梯度消失或梯度爆炸的問題，能夠很好地捕捉和利用長期的時間序列依賴關(guān)系。它通過輸入門、輸出門和遺忘門，可以自動對信息進(jìn)行篩選，忽略無效部分，保留重要信息。股票價格被看作為一種典型的時間序列。而lstm模型能夠很好地捕獲序列長期依賴關(guān)系，在保留原始數(shù)據(jù)趨勢特征的情況下，降低數(shù)據(jù)復(fù)雜度。因此在金融領(lǐng)域被廣泛應(yīng)用。

5、有效市場假說證明，股票價格可以完全反映市場信息?；诖擞^點，通過計算股票歷史價格序列間的關(guān)系，可以動態(tài)反應(yīng)股票間的關(guān)系。attention可以自適應(yīng)地關(guān)注輸入信息的重要性，可以更加有效整合根據(jù)不同角度出發(fā)所計算得到的關(guān)系圖對不同股票的重要程度，獲得一張更加完成的股票關(guān)系圖。圖上頂點表示股票節(jié)點，而邊值表示每對股票間相關(guān)性的強(qiáng)度。gcn是一種廣泛應(yīng)用于圖上的深度學(xué)習(xí)方法，它通過對圖中相鄰節(jié)點進(jìn)行聚合，捕獲節(jié)點間的關(guān)系，并為每個節(jié)點生成新的特征表示，從而實現(xiàn)節(jié)點間的交叉信息影響，得到股票相互作用后的結(jié)果。

6、在進(jìn)行股票預(yù)測的過程中，股票價格不僅與其自身的歷史序列有關(guān)，還會受到其他相關(guān)股票的影響。因此，借助lstm對于時間序列長期依賴關(guān)系的處理能力和多圖卷積神經(jīng)網(wǎng)絡(luò)對于相鄰節(jié)點關(guān)系的捕獲能力，可以更加全面地獲取市場信息，從而實現(xiàn)準(zhǔn)確且高效地股票數(shù)據(jù)分析和預(yù)測，得到一種新的量化選股方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有技術(shù)中存在的問題，并提供一種結(jié)合lstm與多圖卷積神經(jīng)網(wǎng)絡(luò)的選股方法及系統(tǒng)，本發(fā)明的方法可以有效提高預(yù)測準(zhǔn)確率，并提高投資收益率。

2、為了實現(xiàn)上述發(fā)明目的，本發(fā)明具體采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供了一種結(jié)合lstm與多圖卷積神經(jīng)網(wǎng)絡(luò)的選股方法，包括以下步驟：

4、s1：獲取原始的股票特征數(shù)據(jù)，并按照股票代碼對原始的股票特征數(shù)據(jù)進(jìn)行分類；

5、s2：對分類后的股票特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到預(yù)處理后的股票特征數(shù)據(jù)，并由預(yù)處理后的股票特征數(shù)據(jù)構(gòu)建數(shù)據(jù)集；

6、s3：在所述數(shù)據(jù)集上訓(xùn)練選股模型，所述選股模型包含lstm模型、圖卷積網(wǎng)絡(luò)、attention機(jī)制以及全連接層；

7、s4：獲取經(jīng)過數(shù)據(jù)預(yù)處理的待檢測股票的股票特征數(shù)據(jù)，將待檢測股票的股票特征數(shù)據(jù)輸入到訓(xùn)練好的選股模型中，由選股模型預(yù)測每支待檢測股票的未來收益率，按照未來收益率的大小對待檢測股票的股票特征數(shù)據(jù)進(jìn)行排序，選取收益率最高的前k支待檢測股票進(jìn)行投資。

8、在上述方案基礎(chǔ)上，各步驟可以采用如下優(yōu)選的具體方式實現(xiàn)。

9、作為上述第一方面的優(yōu)選，步驟s2中，所述數(shù)據(jù)預(yù)處理具體過程為：依次對分類后的股票特征數(shù)據(jù)進(jìn)行中心化以及歸一化后，利用中心化以及歸一化后的股票特征數(shù)據(jù)計算股票價格移動平均線。

10、作為上述第一方面的優(yōu)選，步驟s3中，選股模型中的具體處理流程如下：

11、s31：將預(yù)處理后的股票特征數(shù)據(jù)輸入到所述lstm模型中提取各支股票的股票趨勢特征；

12、s32：從原始的股票特征數(shù)據(jù)中獲取股票的歷史收盤價序列，基于股票的歷史收盤價序列計算每對股票間的皮爾遜相關(guān)系數(shù)，得到皮爾遜關(guān)系矩陣，基于股票的歷史收盤價序列計算每對股票間的斯皮爾曼秩相關(guān)系數(shù)，得到斯皮爾曼秩關(guān)系矩陣，并通過fastdtw算法獲得股票的歷史收盤價序列之間的相似度，得到相似關(guān)系矩陣；

13、s33：將皮爾遜關(guān)系矩陣、斯皮爾曼秩關(guān)系矩陣以及相似關(guān)系矩陣通過attention機(jī)制整合為一個注意力關(guān)系矩陣，所述注意力關(guān)系矩陣中的每個元素代表對應(yīng)索引的兩支股票之間的關(guān)系強(qiáng)度；

14、s34：將注意力關(guān)系矩陣中的每個元素作為股票關(guān)系圖的邊值，將各支股票的股票趨勢特征作為股票關(guān)系圖中的股票節(jié)點，以構(gòu)建股票關(guān)系圖；

15、s35：將股票關(guān)系圖輸入到圖卷積網(wǎng)絡(luò)中，進(jìn)行兩層圖卷積過程后獲得各支股票的關(guān)系嵌入；

16、s36：將各支股票的股票趨勢特征以及各支股票的關(guān)系嵌入拼接在一起，將拼接后的結(jié)果通過一個全連接層進(jìn)行預(yù)測結(jié)果處理，得到各支股票收益率的預(yù)測結(jié)果。

17、作為上述第一方面的優(yōu)選，步驟s3中，在訓(xùn)練選股模型時，采用的損失函數(shù)具體為：

18、

19、

20、

21、式中：l1代表預(yù)測損失，l2表示每對股票間相對排名的損失；表示在t+1時間所有股票收益率的預(yù)測結(jié)果；yt+1表示在t+1時間所有股票收益率的真實值；α表示權(quán)重超參數(shù)；分別表示在t+1時間第i支股票、第j支股票收益率的預(yù)測結(jié)果；分別表示在t+1時間第i支股票、第j支股票收益率的真實值。

22、第二方面，本發(fā)明提供了一種結(jié)合lstm與多圖卷積神經(jīng)網(wǎng)絡(luò)的選股系統(tǒng)，包括：

23、數(shù)據(jù)獲取模塊，用于獲取原始的股票特征數(shù)據(jù)，并按照股票代碼對原始的股票特征數(shù)據(jù)進(jìn)行分類；

24、預(yù)處理模塊，用于對分類后的股票特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到預(yù)處理后的股票特征數(shù)據(jù)，并由預(yù)處理后的股票特征數(shù)據(jù)構(gòu)建數(shù)據(jù)集；

25、模型訓(xùn)練模塊，用于在所述數(shù)據(jù)集上訓(xùn)練選股模型，所述選股模型包含lstm模型、圖卷積網(wǎng)絡(luò)、attention機(jī)制以及全連接層；

26、結(jié)果獲取模塊，用于獲取經(jīng)過數(shù)據(jù)預(yù)處理的待檢測股票的股票特征數(shù)據(jù)，將待檢測股票的股票特征數(shù)據(jù)輸入到訓(xùn)練好的選股模型中，由選股模型預(yù)測每支待檢測股票的未來收益率，按照未來收益率的大小對待檢測股票的股票特征數(shù)據(jù)進(jìn)行排序，選取收益率最高的前k支待檢測股票進(jìn)行投資。

27、第三方面，本發(fā)明提供了一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序/指令，該計算機(jī)程序/指令被處理器執(zhí)行時，能實現(xiàn)如上述第一方面任一項方案所述的一種結(jié)合lstm與多圖卷積神經(jīng)網(wǎng)絡(luò)的選股方法。

28、第四方面，本發(fā)明提供了一種計算機(jī)可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計算機(jī)程序，當(dāng)所述計算機(jī)程序被處理器執(zhí)行時，實現(xiàn)如上述第一方面任一項方案所述的一種結(jié)合lstm與多圖卷積神經(jīng)網(wǎng)絡(luò)的選股方法。

29、第五方面，本發(fā)明提供了一種計算機(jī)電子設(shè)備，包括存儲器和處理器；

30、所述存儲器，用于存儲計算機(jī)程序；

31、所述處理器，用于當(dāng)執(zhí)行所述計算機(jī)程序時，實現(xiàn)如上述第一方面任一項方案所述的一種結(jié)合lstm與多圖卷積神經(jīng)網(wǎng)絡(luò)的選股方法。

32、本發(fā)明相對于現(xiàn)有技術(shù)而言，具有以下有益效果：

33、本發(fā)明為量化選股提供了新的方法思路，與傳統(tǒng)統(tǒng)計回歸模型和機(jī)器學(xué)習(xí)方法相比，使用lstm模型和多圖卷積神經(jīng)網(wǎng)絡(luò)可以同時捕獲股票價格數(shù)據(jù)的事件依賴性和不同股票間的關(guān)系影響，提高股票收益率預(yù)測結(jié)果的準(zhǔn)確性。此外，將股票相對排名加入損失函數(shù)中，可以更加準(zhǔn)確地選擇排名靠前的股票，使投資者能夠獲得更高的投資回報。