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.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108090836A(43)申请公布日2018.05.29(21)申请号201810094531.X(22)申请日2018.01.30(71)申请人南京信息工程大学地址210044江苏省南京市浦口区宁六路219号(72)发明人夏旻宋稳柱陶晔施必成(74)专利代理机构南京汇盛专利商标事务所(普通合伙)32238代理人张立荣吴扬帆(51)Int.Cl.G06Q40/06(2012.01)G06N3/04(2006.01)权利要求书2页说明书6页附图2页(54)发明名称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(57)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。CN108090836ACN108090836A权利要求书1/2页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。2.根据权利要求1所述的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，其特征在于所述步骤2)中当经验池容量达到上限，新样本数据将替换经验池中按时间顺序最旧的样本。3.根据权利要求1所述的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，其特征在于所述步骤3)中加权密集连接卷积神经网络模型包括：卷积核数量为64的卷积层以及若干个密集连接块，用于图像特征的提取,该卷积层位于输入层之后，密集连接块逐一地、依次地排列于该卷积层之后；过渡层，紧随每个密集连接块之后，用于减小特征维度和尺寸；全连接层，与最后一个所述密集连接块通信连接，所述全连接层为三层，第一层全连接网络输出值经过ReLU激活后输入到第二层，第二层与输出层直接相连无激活函数，输出层设有个数为三个输出节点，分别对应地用于输出买入动作、卖出动作以及无动作对应的Q值，所述买入动作为：设投资总金额为π，所述买入动作每次买入固定金额πbuy(0＜πbuy≤π)；卖出动作为：每次卖出固定金额πSell(0＜πSell≤π)；所述无动作为：当投资金额达到总金额时，禁止买入动作，当投资金额等于0时，禁止卖出动作。4.根据权利要求3所述的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，其特征在于所述密集连接块内部包含了p层密集连接块子层，每一层密集连接块子层的输入包括当前密集连接块子层之前所有密集连接块子层的输出，将之前所有密集连接块子层的特征图与当前密集连接块子层的特征图进行并联，接着经过一个瓶颈层输出。5.根据权利要求4所述的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，其特征在于所述密集连接块中将当前密集连接块之前的所有密集连接块子层特征图与当前密集连接块子层的特征图进行并联时，对当前以及之前所有密集连接块子层的特征图进2CN108090836A权利要求书2/2页行初始加权操作