[发明专利]一种基于深度学习的K线形态图像识别方法

说明书

本发明公开了一种基于深度学习的K线形态图像识别方法，包括步骤：1)将含有需要识别的金融K线形态图像和该形态对应的坐标作为神经网络的输入，输入到含有多层卷积层的神经网络中；2)将步骤1)的卷积层输出作为区域生成网络的输入，进行区域生成网络训练；3)将步骤2)的区域生成网络的输出作为感兴趣区域进行池化；4)将步骤3)的感兴趣区域池化结果作为Faster‑RCNN检测网络的输入；5)由步骤4)的Faster‑RCNN检测网络最终生成推荐框的位置信息和推荐得分。所述方法克服了现有的金融量化程序难以表达分析师根据经验得到的金融K线形态特征的问题，能够将分析师想要识别的金融K线形态进行学习并且用于包含金融K线形态特征的实时图像识别中。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于深度学习的K线形态图像识别方法。

背景技术

K线和指标的形态识别是金融量化投资分析中的重要部分。它的识别准确性直接影响到交易的胜率，决定了量化程序的可行性，然而很多形态(比如w底形态，缠论的中枢，趋势和盘整形态等)对于金融分析师来说是只可意会不可言传的。由于金融K线形态识别上的模糊性，必须让形态的识别脱离于基于时间序列的根据经验转化而成的固定的量化程序，让识别同样能适用于不可言传的难以用固定程序统一表达的形态特征。深度学习理论领域的研究主要集中在算法上，将其应用到金融投资领域少之又少，还在处于探索、创建的阶段，缺乏独立的、系统的理论分析框架。其中，基于神经网络的K线形态图像识别在文献中几乎没有出现过，在实际的金融量化开发中也少有人研究，但是K线形态图像，如K线图中的不同形态、K线图与其他数据，还有交易量，交易指标等的结合是大部分投资者做出投资的重要依据，仅仅时间序列的信息可能不足以反映交易情况，需要做到时间与空间的结合，这时候K线形态图像的识别就尤为重要。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于深度学习的K线形态图像识别方法，所述方法克服了现有的金融量化程序难以表达分析师根据经验得到的金融K线形态特征的问题，能够将分析师想要识别的金融K线形态进行学习并且用于包含金融K线形态特征的实时图像识别中。

本发明的目的可以通过如下技术方案实现：

一种基于深度学习的K线形态图像识别方法，所述方法包括以下步骤：

1)将含有需要识别的金融K线形态图像和该形态对应的坐标作为神经网络的输入，输入到含有多层卷积层的神经网络中；

2)将步骤1)的卷积层输出作为区域生成网络的输入，进行区域生成网络训练；

3)将步骤2)的区域生成网络的输出作为感兴趣区域进行池化；

4)将步骤3)的感兴趣区域池化结果作为Faster-RCNN检测网络的输入；

5)由步骤4)的Faster-RCNN检测网络最终生成推荐框的位置信息和推荐得分。

进一步地，所述金融K线形态图像为由K线及其指标、其他金融数据指标一种或者多种组合而成的图像。

进一步地，步骤2)中所述进行区域生成网络训练的具体过程为：将步骤1)的卷积层输出作为区域生成网络的输入，在卷积的最后一层特征图上使用固定大小的窗口滑动，每个窗口输出固定大小维度的特征，每一个窗口对候选的9个回归框进行回归坐标和分类，为了将一个物体能够在不同的尺寸下识别出来，采用对特征图进行不同大小的划窗，生成训练数据的过程为先看anchor覆盖ground truth是否超过阈值，超过就将当前anchor的object分类标记为“存在”；如果都没有超过阈值，就选择一个覆盖比例最大的标记为“存在”；其中区域生成网络的损失函数定义为：