基于在线学习的多指标融合的股票投资决策方法及系统

摘要

本申请公开了基于在线学习的多指标融合的股票投资决策方法及系统，方法包括：训练基于在线学习的股票趋势预测模型，构建多指标技术分析方法；根据股票趋势预测模型预测股票价格的趋势指标，根据多指标技术分析方法计算多个决策指标；将股票价格的趋势指标和多个决策指标进行融合形成决策曲线，观察股价的波动；通过获取决策曲线中待决策时刻的决策评分和该时刻的变化表现，为投资者提供决策建议。本发明一方面利用在线学习支撑方法训练在线学习的股票趋势预测模型，一方面利用多指标技术分析方法，将在线学习的股票趋势预测模型与多指标技术分析方法相结合，融合多指标形成最终的决策曲线，给与投资者及时、专业、具有针对性的决策指导。

说明书

技术领域

本申请涉及预测模型技术领域，尤其涉及基于在线学习的多指标融合的股票投资决策方法及系统。

背景技术

当前金融市场的股票投资决策产品中，大都采用技术面分析法和线性回归分析的方法，对股票涨势进行预测，对投资者的投资决策行为给出指导建议。

技术面分析法：技术面分析又称技术分析(Technical Analysis)，是股票投资分析的专业术语。技术分析研究以往价格和交易量数据，进而预测未来的价格走向。此类型分析侧重于图表与公式的构成，以捕获主要和次要的趋势，并通过估测市场周期长短，识别买入/卖出机会。根据选择的时间跨度，可以使用日内(每5分钟、每15分钟、每小时)技术分析，也可使用每周或每月技术分析。

线性回归分析：线性回归分析是根据一个或一组自变量的变动情况预测与其相关关系的某随机变量的未来值的一种方法。回归分析需要建立描述变量间相关关系的回归方程。根据自变量的个数，回归方程可以是一元回归，也可以是多元回归。如果回归函数是一个线性函数，则称变量间是线性相关。一元线性回归分析包括两个变量，一个是自变量，以x表示，另一个是因变量(预测变量)以y表示。例如在进行股票价格预测时，y表示当日收盘价，x为当日的开盘价。

但是，技术面分析法和线性回归分析的方法存在以下缺陷：

技术面分析法：纵观当前的股票分析理论和操作策略在一定程度上都存在一些问题，比如操作过程复杂、判断的精准度较差；所有的投资者都使用了同一种专家模型对自己投资的股票进行分析决策。

线性回归分析：模型单一，考虑的特征不够全面，预测的股票涨势不够及时和准确。

发明内容

本申请实施例提供基于在线学习的多指标融合的股票投资决策方法，包括以下步骤：

训练基于在线学习的股票趋势预测模型，构建多指标技术分析方法；

根据所述股票趋势预测模型预测股票价格的趋势指标，根据所述多指标技术分析方法计算多个决策指标；

将所述股票价格的趋势指标和所述多个决策指标进行融合形成决策曲线，观察股价的波动；

通过获取所述决策曲线中待决策时刻的决策评分和该时刻的变化表现，为投资者提供决策建议。

进一步的，所述训练在线学习的股票趋势预测模型，具体为：

将投资用户投资股票的全部历史数据，作为训练样本集{x1，x2，..，xn}，导入模型；

利用训练样本集{x1，x2，..，xn}，训练LSTM模型，即Y＝f(t)，当t为第1个时刻，Y为x1，以此类推t为第n个时刻，Y为xn；

利用训练好的LSTM模型，预测下一时刻股票价格Y

收集线上实时的股票价格数据，再次训练模型，不断迭代。

进一步的，所述构建多指标技术分析方法，包括：构建中期方向线决策指标、构建邱氏雷达决策指标、构建情绪波动决策指标、构建量能饱和度决策指标。

进一步的，所述根据所述股票趋势预测模型预测股票价格的趋势指标，根据所述多指标技术分析方法计算多个决策指标，通过构建一种0～100之间的评分机制，代表下一时刻的投资决策评分。

进一步的，所述将所述股票价格的趋势指标和所述多个决策指标进行融合形成决策曲线，具体为：

将选取的所述股票价格的趋势指标和所述多个决策指标进行延时偏移、加权整合后，组合成最终的决策评分，所述决策评分属于多指标共同对当前股价波动的见解，最后将不同时刻的决策评分描绘到坐标系中将形成一条决策曲线。

进一步的，所述股票价格的趋势指标和所述多个决策指标，利用如下公式进行加权整合：

y

其中，y

本申请实施例还提供基于在线学习的多指标融合的股票投资决策系统，包括：

模型和方法构建模块，用于训练基于在线学习的股票趋势预测模型，构建多指标技术分析方法；

决策指标生成模块，用于根据所述股票趋势预测模型预测股票价格的趋势指标，根据所述多指标技术分析方法计算多个决策指标；

决策曲线融合模块，用于将所述股票价格的趋势指标和所述多个决策指标进行融合形成决策曲线，观察股价的波动；

决策建议模块，用于通过获取所述决策曲线中待决策时刻的决策评分和该时刻的变化表现，为投资者提供决策建议。

进一步的，所述决策曲线融合模块，将选取的所述股票价格的趋势指标和所述多个决策指标进行延时偏移、加权整合后，组合成最终的决策评分，所述决策评分属于多指标共同对当前股价波动的见解，最后将不同时刻的决策评分描绘到坐标系中将形成一条决策曲线。

本申请实施例还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于在线学习的多指标融合的股票投资决策方法的步骤。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于在线学习的多指标融合的股票投资决策方法的步骤。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

本发明提出基于在线学习的多指标融合的股票投资决策模型，一方面利用在线学习支撑方法训练在线学习的股票趋势预测模型，一方面利用多指标技术分析方法，将在线学习的股票趋势预测模型与多指标技术分析方法相结合，融合多指标形成最终的决策曲线，给与投资者及时、专业、具有针对性的决策指导，预测相比于现有技术方法更丰富、更全面、更准确。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请的整体框架图；

图2为本申请的基于在线学习的股票趋势预测模型训练过程示意图；

图3为本申请的多指标技术分析方法构建流程示意图；

图4为本申请的基于在线学习的多指标融合的股票投资决策模型的决策流程示意图；

图5为本申请的一实施例提供的终端设备的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

实施例1

本实施例提供基于在线学习的多指标融合的股票投资决策方法，包括以下步骤：

S1、训练基于在线学习的股票趋势预测模型，构建多指标技术分析方法；

S2、根据股票趋势预测模型预测股票价格的趋势指标，根据多指标技术分析方法计算多个决策指标；

S3、将股票价格的趋势指标和多个决策指标进行融合形成决策曲线，观察股价的波动；

S4、通过获取决策曲线中待决策时刻的决策评分和该时刻的变化表现，为投资者提供决策建议。

图1为本发明整体架构图，本发明提出基于在线学习的多指标融合的股票投资决策模型，一方面利用在线学习支撑方法训练基于在线学习的股票趋势预测模型，一方面利用多指标技术分析方法，将基于在线学习的股票趋势预测模型与多指标技术分析方法相结合，融合多指标形成最终的决策曲线，给与投资者及时、专业、具有针对性的决策指导。

图2为本发明基于在线学习的股票趋势预测模型的训练过程示意图。在线学习(Online Learning)并不是一种模型，而是一种模型的训练方法。在线学习能够根据线上实时反馈数据，实时快速地进行模型调整，使得模型及时反映线上的变化，提高线上预测的准确率。

如图2所示，根据实施例的方案，训练在线学习的股票趋势预测模型具体实施步骤如下：

S11、将投资用户投资股票的全部历史数据(每个时刻的股票价格)，作为训练样本集{x1，x2，..，xn}，导入模型；

S12、利用训练样本集{x1，x2，..，xn}，训练LSTM模型，即Y＝f(t)，当t为第1个时刻，Y为x1，以此类推t为第n个时刻，Y为xn；

S13、利用训练好的LSTM模型(即基于在线学习的股票趋势预测模型)，预测下一时刻股票价格Y

S14、收集线上实时的股票价格数据(即下一时刻，股价的真实数据)，再次训练模型，不断迭代，以提升模型预测效果。

综上，基于在线学习的股票趋势预测模型，即利用投资用户投资股票的历史数据和LSTM算法，基于在线学习模型训练方法，构建预测下一时刻股票价格趋势的预测模型。

图3为本实施例的多指标技术分析方法构建的流程示意图。多指标技术分析方法利用当前交易数据计算得到，其构建流程如下：

S21、构建中期方向线决策指标，中期方向线指标是根据价差引力原理演变而来的。从这个原理引申到N天均价与M天均价之间的关系时，同样的，N天均价与M天均价之间存在着价差引力极限，当两条均线之间的距离抵达它的最大距离时，它们之间的距离便会开始缩小。

S22、构建邱氏雷达决策指标，威力雷达指标，其作用主要是被用来测量个股在整体市场中的相对强弱度，它的设计原理是以个股的涨跌幅度与大盘的涨跌幅度相比较，求取个股一段时期以来的相对速度。威力雷达的设计虽然可以求取个股的相对速度，但是，由于个股威力雷达的数值波动范围并无规律可循，导致系统无法针对威力雷达进行强弱度排序，因此，对于个股的波动速度，系统只知其一不知其二，无法据此找出最强势的个股，这是威力雷达指标设计上的缺憾。针对威力雷达指标的缺陷，在原本的相对速度中，再加入绝对速度的概念，然而，绝对速度其实就是股价走势的绝对角度，仰角度越陡者越强势，俯角度越陡者越弱势，有了这个绝对角度之后，系统便能针对个股的角度，进行强弱势的排序。

邱氏雷达采用直观动态式的指标设计，中间的0轴部份属角度平衡点，如果邱氏雷达指标的角度位于0轴时，表示该支股票当前正巧处于多空平衡点。当邱氏雷达指标的角度由俯角变成仰角时，表示该股短线由空头转为多头；当邱氏雷达指标的角度由仰角变成俯角时，表示该股短线由多头转为空头。

S23、构建情绪波动决策指标，一般市场上大都采用量、价分析的指标，很少技术分析有能耐从心理面的角度提供参考的数据。情绪波动指针是本系统测量散户心理状态的利器，它整合了大部份人气指标，从心理面辅助判断短期低点与高点的效果相当明显，是国内金融分析软件中，少见的整合式市场心理分析指标。其分析原则如下：

①当情绪波动指标上升至35以上时，代表市场散户已经开始出现不理性的追涨行为，市场容易形成短期的头部，当前持有股票者可以采取反市场心理操作，先行获利了结为宜。

②当情绪波动指标下降至20以下时，代表市场散户已经开始出现不理性的杀跌行为，市场反而容易形成短期的底部，有利于当前空手观望者进场抢反弹。

③市场心理面通常会比实际行情早一步反应，因此，当情绪波动指针出现信号时，股民必须立即把焦点转移至其它量价指标，依量价指针的信号指示进场交易。

S24、构建量能饱和度决策指标，根据个股股本与市场活泼度的不同，根据个股历史不同的经验值，每一支股票其每一块钱的市场内含价值，皆有一定的饱和极限。如同天上的云一样，其含水成份到达饱和的程度时，天空便下起雨来的原理一样。量能饱和度经常被用来寻找股价的高点及波段趋势的起涨点：①根据量大成头的原理，当量能饱和度出现饱和，而当前股价正巧位于一处高价区时，暗示该价位成为该时期峰顶的机率将会大幅增加。②根据爆发力原理，当量能饱和度在一处股价的低价区出现饱和时，该价位便很可能成为一处起涨点。例如：一位很有经验的棒球迷，它不会坐在捕手后方的观众席，他会坐在外野的观众席上，他听球棒击打球时所发出的声响清脆度，便能判断该球是否会出现全垒打一样。这种听声辨位的功夫，便是判断爆发力大小的依据。因此，当股价于低价区出现量能饱和度饱和现象时，我们便据此判断股价出现打击爆发力，股价出现长距离行情的机率便大幅增加。

本实施例中，根据股票趋势预测模型预测股票价格的趋势指标，根据多指标技术分析方法计算多个决策指标，通过构建一种0～100之间的评分机制，代表下一时刻的投资决策评分，具体为：

①基于在线学习的股票趋势预测模型，预测下一时刻的股票价格趋势指标，会分3种情况：涨、跌和平；如果预测为涨，评分加5分，如果预测为跌，评分加1分，如果预测为平，评分加3分；

②中期方向线决策指标，如果该指标大于0，评分加5分，如果该指标小于0，评分减3分，如果该指标等于0，评分加1分，如果该时刻该指标是由小于0变成大于0，评分加3分，如果该时刻指标是由大于0变成小于0，评分减3分；

③邱氏雷达决策指标，如果该指标连续3日上升，并且处于均线上，评分加7分，如果该指标连续3日下降，并且处于均线下，评分减7分；如果该指标连续7日上升，并且处于均线上，评分加10分；如果该指标连续7日下降，并且处于均线下，评分减10分；

④情绪波动决策指标，如果该指标小于68，评分减3分，如果该指标在[68，70]，评分加5分，如果该指标大于70，评分减2分；

⑤量能饱和度决策指标，该指标的值域为[0，1]，如果该指标在[0，0.3)，评分加0分，如果该指标在[0.3，0.7)，评分加2分，如果该指标在[0.7，0.9)之间，评分加4分，如果该指标在[0.9，1]，评分加5分。

上述每一种指标都有其背后的统计逻辑，然而任何单一的指标都无法独力来诠释股价的波动行为，因此，需要将基于在线学习的股票趋势预测模型预测的股票价格的趋势指标和多指标技术分析方法计算的多个决策指标进行融合，共同来观察股价的波动。

本实施例中，将选取的股票价格的趋势指标和多个决策指标进行延时偏移、加权整合后，组合成最终的决策评分，决策评分属于多指标共同对当前股价波动的见解，最后将不同时刻的决策评分描绘到坐标系中将形成一条决策曲线。

对于基于在线学习的股票趋势预测模型，预测的是下一时刻(如下一小时)的股票价格趋势指标，形成决策评分；多指标技术分析方法计算的多个决策指标是利用实时的交易数据计算的指标，形成的决策评分，根据股市趋势是有延续性的性质，将多指标技术分析方法获得的决策评分，向后偏移至与基于在线学习的股票趋势预测模型预测的同时刻下，做为下一时刻利用多指标技术分析方法预测出的决策评分。股票价格的趋势指标和多个决策指标，利用如下公式进行加权整合：

y

其中，y

最后，通过获取决策曲线中待决策时刻的决策评分和该时刻的变化表现，为投资者提供决策建议。

例如：在决策曲线中，待决策时刻的决策评分为38分，上一个时刻为34分，该点突破36分，这种情况属性上窜，是可以建议买入的时间点。

再如：在决策曲线中，待决策时刻的决策评分为10分，可以给出这样的决策建议：模型分析出这支股票目前是一支弱势股，未来股价如果止跌回升，初期尚不宜投入太多的金额。你可以考虑选择其它股票，或者等待它的决策分数逐步走强之后，再适量加码为宜。

实施例2

本申请实施例还提供基于在线学习的多指标融合的股票投资决策系统，包括：

模型和方法构建模块，用于训练基于在线学习的股票趋势预测模型，构建多指标技术分析方法；

决策指标生成模块，用于根据股票趋势预测模型预测股票价格的趋势指标，根据多指标技术分析方法计算多个决策指标；

决策曲线融合模块，用于将股票价格的趋势指标和多个决策指标进行融合形成决策曲线，观察股价的波动；

决策建议模块，用于通过获取决策曲线中待决策时刻的决策评分和该时刻的变化表现，为投资者提供决策建议。

其中，决策曲线融合模块，将选取的股票价格的趋势指标和多个决策指标进行延时偏移、加权整合后，组合成最终的决策评分，决策评分属于多指标共同对当前股价波动的见解，最后将不同时刻的决策评分描绘到坐标系中将形成一条决策曲线。

上述各个模块本身及其之间的工作流程方法实施例1中已经具体说明，这里不再赘述。

图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如基于在线学习的多指标融合的股票投资决策程序。处理器60执行计算机程序62时实现上述基于在线学习的多指标融合的股票投资决策方法实施例中的步骤，例如图1所示的步骤。或者，处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如上述模型和方法构建模块、决策指标生成模块、决策曲线融合模块、决策建议模块的功能。

示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在终端设备6中的执行过程。例如，计算机程序62可以被分割成模型和方法构建模块、决策指标生成模块、决策曲线融合模块、决策建议模块。

终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图5仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器61可以是终端设备6的内部存储单元，例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备，例如终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备所需的其它程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。