股票投资选股方法、装置、电子设备及存储介质

摘要

本发明提供一种股票投资选股方法、装置、电子设备及存储介质，该方法包括：确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，该基础因子集包括至少两个基础因子；将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；根据新因子和在第二预设时间段内的股票交易数据确定选股结果。本发明提供的股票投资选股方法、装置、电子设备及存储介质，通过基于目前已有的基础因子挖掘出新的且有效的因子，然后基于挖掘的因子进行选股，得到更加精确有效的选股信息。

说明书

技术领域

本发明涉及数据处理技术领域，尤其涉及一种股票投资选股方法、装置、电子设备及存储介质。

背景技术

股票投资是基于市场信息从众多股票中筛选出可能带来效益的股票完成资金投资。但投资者一般通过对市场信息的感知或基于行情的经验从众多股票中选股。

对于普通投资者来说，目前可依靠相关信息处理系统对市场信息进行分析，从而筛选出一些股票供用户进行参考。但其依据的市场信息大部分是公共信息，如果仅仅依据一些简单因子或者市场标准来对信息进行分析，可能保证不了选股结果的准确效果，会给用户带来投资的损失。

发明内容

针对现有技术存在的问题，本发明提供一种股票投资选股方法、装置、电子设备及存储介质。

本发明提供一种股票投资选股方法，包括：

确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，所述基础因子集包括至少两个基础因子；

将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；

根据所述新因子和在第二预设时间段内的股票交易数据确定选股结果。

根据本发明提供的一种股票投资选股方法，所述预设的因子挖掘模型包括挖掘计算层和因子筛选层，相应地，将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子，包括：

通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式；

通过因子筛选层调用配置的适应度函数，根据各因子表达式、配置的适应度函数和股票交易数据确定各因子表达式对应的适应度，根据所述适应度和预设的适应度阈值从多个因子表达式中确定候选因子表达式，将候选因子表达式作为新因子。

根据本发明提供的一种股票投资选股方法，所述挖掘计算层包括第一计算层和第二计算层，相应地，通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式，包括：

通过第一计算层根据基础因子集中的基础因子和股票交易数据获得各基础因子对应的矩阵；

通过第二计算层根据各基础因子对应的矩阵和配置的初始算子采用遗传算法生成多个因子表达式。

根据本发明提供的一种股票投资选股方法，在根据所述新因子和在第二预设时间段内的股票交易数据确定选股结果之前，所述方法还包括：

确定回测区间，根据所述回测区间确定基础因子集中的基础因子对应的回测交易数据，根据所述回测交易数据和候选因子表达式确定各候选因子表达式对应的因子表现衡量信息；

根据因子表现衡量信息和预设的因子表现衡量信息阈值从各候选因子表达式中确定二代候选因子表达式，将二代候选因子表达式作为新因子。

本发明还提供一种股票投资选股装置，包括：

获取模块，用于确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，所述基础因子集包括至少两个基础因子；

挖掘模块，用于将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；

处理模块，用于根据所述新因子和在第二预设时间段内的股票交易数据确定选股结果。

根据本发明提供的一种股票投资选股装置，所述预设的因子挖掘模型包括挖掘计算层和因子筛选层，相应地，所述挖掘模块具体用于：

通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式；

通过因子筛选层调用配置的适应度函数，根据各因子表达式、配置的适应度函数和股票交易数据确定各因子表达式对应的适应度，根据所述适应度和预设的适应度阈值从多个因子表达式中确定候选因子表达式，将候选因子表达式作为新因子。

根据本发明提供的一种股票投资选股装置，所述挖掘计算层包括第一计算层和第二计算层，相应地，所述挖掘模块在通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式的处理过程中，具体用于：

通过第一计算层根据基础因子集中的基础因子和股票交易数据获得各基础因子对应的矩阵；

通过第二计算层根据各基础因子对应的矩阵和配置的初始算子采用遗传算法生成多个因子表达式。

根据本发明提供的一种股票投资选股装置，所述装置还包括筛选模块，用于在根据所述新因子和在第二预设时间段内的股票交易数据确定选股结果之前，确定回测区间，根据所述回测区间确定基础因子集中的基础因子对应的回测交易数据，根据所述回测交易数据和候选因子表达式确定各候选因子表达式对应的因子表现衡量信息；

根据因子表现衡量信息和预设的因子表现衡量信息阈值从各候选因子表达式中确定二代候选因子表达式，将二代候选因子表达式作为新因子。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述股票投资选股方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述股票投资选股方法的步骤。

本发明提供的股票投资选股方法、装置、电子设备及存储介质，通过基于目前已有的基础因子挖掘出新的且有效的因子，然后基于挖掘的因子进行选股，得到更加精确有效的选股信息。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的股票投资选股方法的流程示意图；

图2是本发明提供的股票投资选股装置的结构示意图；

图3是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1-图描述本发明提供的股票投资选股方法、装置、电子设备及存储介质。

图1示出了本发明提供的股票投资选股方法的流程示意图，参见图1，该方法包括以下步骤：

11、确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，基础因子集包括至少两个基础因子；

12、将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；

13、根据新因子和在第二预设时间段内的股票交易数据确定选股结果。

针对步骤11-步骤13，需要说明的是，在本发明中，基础因子为投资者在股票投资中进行决策的判断指标。例如属于选择范围内的“概念板块”，属于特色指标的资金谐波，属于技术指标的MACD，属于行情价量的成交量，等等。

本方法是基于基础因子挖掘出新因子，将新因子用于选股过程中。为此，系统会接收到用户通过终端所选择的多个基础因子。这些选择到的基础因子会形成基础因子集。该基础因子集中的基础因子至少为两个，多个基础因子的处理效果更好。

系统会基于基础因子集中所有基础因子，从全股票的历史交易数据中，确定各基础因子在第一预设时间段内的股票交易数据。获取的股票交易数据是后续进行分析处理的基础数据。

系统将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，使因子挖掘模型对输入的信息进行分析计算，得到基于基础因子挖掘出新因子。在这里，该因子挖掘模型以股票交易数据和基础因子作为输入数据，经神经网络训练得到的，用于输出新因子的模型。模型的训练过程可采用遗传规划算法、卷积算法，反卷积算法进行处理。

在本发明中，因子挖掘模型会根据待挖掘的基础因子和股票交易数据进行因子组合，得到多个因子表达式。视这些因子表达式作为基于基础因子挖掘得到的新因子。

新因子获取后，系统会基于新因子和在第二预设时间段内的股票交易数据，确定选股结果。该选股结果会显示在显示界面上，供投资者进行观看。

本发明提供的股票投资选股方法，通过基于目前已有的基础因子挖掘出新的且有效的因子，然后基于挖掘的因子进行选股，得到更加精确有效的选股信息。

本发明进一步提供的股票投资选股方法，主要是对将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子的处理过程进行解释说明，具体如下：

在本发明中，该预设的因子挖掘模型包括挖掘计算层和因子筛选层，通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式；通过因子筛选层调用配置的适应度函数，根据各因子表达式、配置的适应度函数和股票交易数据确定各因子表达式对应的适应度，根据得到的适应度和预设的适应度阈值从多个因子表达式中确定候选因子表达式，将候选因子表达式作为新因子。

对此，需要说明的是，该挖掘计算层用于结合股票交易数据将基础因子集中各基础因子进行优化组合，得到更有效的新因子。该新因子相当于优化组合后的因子表达式。例如基础因子是A、B、C，因子表达式是A

该因子筛选层用于将得到的多个因子表达式中筛选出适应度更好的因子表达式作为新因子。

在本发明中，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法进行迭代运算得到多个因子表达式。该遗传算法是一种受生物进化启发的学习算法，是通过变异和重组当前已知的基础因子来生成组合假设的算法。为此，在本发明中采用遗传算法能够基于目前已有的基础因子中挖掘出新的且有效的因子。

在本发明中，通过因子筛选层调用配置的适应度函数，根据各因子表达式、配置的适应度函数和股票交易数据确定各因子表达式对应的适应度。然后将各因子表达式对应的适应度和预设的适应度阈值进行比较，将满足阈值条件的适应度对应的因子表达式作为候选因子表达式，候选因子表达式即为新因子。

上述发明方法的进一步方法，通过基于目前已有的基础因子挖掘出新的且有效的因子，然后基于挖掘的因子进行选股，得到更加精确有效的选股信息。

本发明进一步提供的股票投资选股方法，主要是对通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式的处理过程进行解释说明，具体如下：

在本发明中，该挖掘计算层包括第一计算层和第二计算层。

通过第一计算层根据基础因子集中的基础因子和股票交易数据获得各基础因子对应的矩阵；

通过第二计算层根据各基础因子对应的矩阵和配置的初始算子采用遗传算法生成多个因子表达式。

对此，需要说明的是，各股票在一段时间内的交易数据在不同的基础因子以不同的数值进行展示，为此，将各基础因子和对应的股票交易数据先进行第一步的计算，生成对应的矩阵。即使矩阵表征各基础因子的数据。

然后根据各基础因子对应的矩阵和配置的初始算子采用遗传算法进行第二步的运算，生成多个因子表达式。

上述发明方法的进一步方法，通过基于目前已有的基础因子挖掘出新的且有效的因子，然后基于挖掘的因子进行选股，得到更加精确有效的选股信息。

本发明进一步提供的股票投资选股方法，主要是对在根据新因子和在第二预设时间段内的股票交易数据确定选股结果之前的进一步处理过程进行解释说明，具体如下：

确定回测区间，根据回测区间确定基础因子集中的基础因子对应的回测交易数据，根据回测交易数据和候选因子表达式确定各候选因子表达式对应的因子表现衡量信息；

根据因子表现衡量信息和预设的因子表现衡量信息阈值从各候选因子表达式中确定二代候选因子表达式，将二代候选因子表达式作为新因子。

对此，需要说明的是，在本发明中，在根据新因子和在第二预设时间段内的股票交易数据确定选股结果之前，还需要基于新因子进行实际试验进行进一步的筛选，从候选的因子表达式中得到更加适应的新因子。

股票回测是指设定某些股票因子组合后，基于历史已经发生过的真实交易数据，在历史上某个时间点开始，严格按照设定的组合因子进行选股，并模拟真实金融市场交易的规则进行模型买入和卖出，得到一个时间段内的盈利率、最大回撤率等数据。

在本发明中，新因子是因子表达式，是组合因子。为此，确定回测区间，根据回测区间确定基础因子集中的基础因子对应的回测交易数据，然后进行回测过程，得到各候选因子表达式对应的因子表现衡量信息。接着，根据因子表现衡量信息和预设的因子表现衡量信息阈值从各候选因子表达式中确定二代候选因子表达式，将二代候选因子表达式作为新因子。在这里，因子表现是所有衡量指标项的总体概括。可以取其中的一个衡量指标作为回测过程的因子表现。该因子表现衡量信息为对应的衡量指标的数值，该数值会与预设好的阈值进行比较。例如盈利率、平均收益，回撤比等等，在此不一一举出。

上述发明方法的进一步方法，通过基于目前已有的基础因子进行层层挖掘出新的且有效的因子，然后基于挖掘的因子进行选股，得到更加精确有效的选股信息。

图2示出了本发明提供的一种股票投资选股装置的结构示意图，参见图2，该装置包括获取模块21、挖掘模块22和处理模块23，其中：

获取模块21，用于确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，基础因子集包括至少两个基础因子；

挖掘模块22，用于将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；

处理模块23，用于根据新因子和在第二预设时间段内的股票交易数据确定选股结果。

本发明进一步提供的股票投资选股装置，预设的因子挖掘模型包括挖掘计算层和因子筛选层，相应地，挖掘模块具体用于：

通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式；

通过因子筛选层调用配置的初始适应度，根据各因子表达式、配置的初始适应度和股票交易数据确定各因子表达式对应的适应度，根据所述适应度和预设的适应度阈值从多个因子表达式中确定候选因子表达式，将候选因子表达式作为新因子。

本发明进一步提供的股票投资选股装置，挖掘计算层包括第一计算层和第二计算层，相应地，挖掘模块在通过挖掘计算层调用配置的初始算子，根据基础因子集中的基础因子、股票交易数据以及初始算子采用遗传算法生成多个因子表达式的处理过程中，具体用于：

通过第一计算层根据基础因子集中的基础因子和股票交易数据获得各基础因子对应的矩阵；

通过第二计算层根据各基础因子对应的矩阵和配置的初始算子采用遗传算法生成多个因子表达式。

本发明进一步提供的股票投资选股装置，所述装置还包括筛选模块，用于在根据所述新因子和在第二预设时间段内的股票交易数据确定选股结果之前，确定回测区间，根据所述回测区间确定基础因子集中的基础因子对应的回测交易数据，根据所述回测交易数据和候选因子表达式确定各候选因子表达式对应的因子表现衡量信息；

根据因子表现衡量信息和预设的因子表现衡量信息阈值从各候选因子表达式中确定二代候选因子表达式，将二代候选因子表达式作为新因子。

由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。

需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。

本发明提供的股票投资选股装置，通过基于目前已有的基础因子进行层层挖掘出新的且有效的因子，然后基于挖掘的因子进行选股，得到更加精确有效的选股信息。

图3示出了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)31、通信接口(Communications Interface)32、存储器(memory)33和通信总线34，其中，处理器31，通信接口32，存储器33通过通信总线34完成相互间的通信。处理器31可以调用存储器33中的逻辑指令，以执行股票投资选股方法，该方法包括：确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，基础因子集包括至少两个基础因子；将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；根据新因子和在第二预设时间段内的股票交易数据确定选股结果。

此外，上述的存储器33中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的股票投资选股方法，该方法包括：确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，基础因子集包括至少两个基础因子；将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；根据新因子和在第二预设时间段内的股票交易数据确定选股结果。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的股票投资选股方法，该方法包括：确定待挖掘的基础因子集，以及基于基础因子集确定在第一预设时间段内的股票交易数据，基础因子集包括至少两个基础因子；将待挖掘的基础因子集，以及基于基础因子集确定的在第一预设时间段内的股票交易数据输入至预设的因子挖掘模型中，确定新因子；根据新因子和在第二预设时间段内的股票交易数据确定选股结果。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。