[发明专利]基于人工智能的趋势预测方法及装置

说明书

本发明实施例提供了一种基于人工智能的趋势预测方法及装置。一方面，该方法包括：确定待预测的候选对象；提取所述候选对象的历史收益信息和历史舆情信息；将所述历史收益信息和所述历史舆情信息输入到股票预测模型，其中，所述股票预测模型是采用Encode‑Decode自编码算法训练得到的；使用所述股票预测模型预测所述候选对象的未来收益信息。通过本发明，解决了现有技术中通过线性模型预测股票时准确率低的技术问题。

【技术领域】

本发明涉及计算机领域，尤其涉及一种基于人工智能的趋势预测方法及装置。

【背景技术】

传统因子选股基于历史股票数据具有滞后性，而且强依赖于股民个人经验。

现有技术中的因子选股是线性模型，构建时很容易对历史数据造成过拟合，于是实盘中表现相对衰减，加上个人考虑股票因子只能是具体股票的相关指数，它不是像深度因子选股那样自动从股票的变化数值中，抽取出特征。换而言之，传统的因子选股存在一定的瓶颈性。传统的因子模型归类四个方面：市场因子、风格因子、财务因子、动量因子。每个方面的因子又存在细致的分类。虽然可以根据个人分析及风险分析构建因子体系，运用多因子构建量化组合做出个人决策。

但这对于个人的经验要求非常之高，而且很多时候难以考虑全面。由于因子选股更多的基于股民的个人经验的积累，历史数据因子选股存在滞后性，很难做到通过海量股票数据的合理化的综合分析。

针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。

【发明内容】

有鉴于此，本发明实施例提供了一种基于人工智能的趋势预测方法及装置。

一方面，本发明实施例提供了一种基于人工智能的趋势预测方法，所述方法包括：确定待预测的候选对象；提取所述候选对象的历史收益信息和历史舆情信息；将所述历史收益信息和所述历史舆情信息输入到股票预测模型，其中，所述股票预测模型是采用Encode-Decode自编码算法训练得到的；使用所述股票预测模型预测所述候选对象的未来收益信息。

可选的，在将所述历史收益信息到股票预测模型之前，所述方法还包括：采集股票样本在预定周期内的股票数据，其中，所述股票数据包括第一时间段的收益信息、第一时间段的舆情信息，以及第二时间段的收益信息，其中，所述第二时间段在第一时间段的自然时间之后，所述股票样本在所述第二时间段的收益情况符合预定条件；将所述第一时间段的收益信息和所述第一时间段的舆情信息作为输入标签数据，所述第二时间段的收益信息作为输出标签数据，采用Encode-Decode算法训练初始模型，得到所述股票预测模型。

可选的，采用Encode-Decode算法训练初始模型包括：将所述第一时间段的收益信息和所述第一时间段的舆情信息压缩到所述初始模型的隐藏层，在隐藏层对所述输入标签数据进行编码，输出第一数据；将所述第一数据解压到所述初始模型的输出层，在输出层对所述第一数据进行解码，输出第二数据，其中，所述隐藏层与所述输出层相连；将所述第二数据乘以损失函数，得到第三数据；将所述输入标签数据更新为所述第三数据，并结合所述输出标签数据训练初始模型，得到所述股票预测模型。

可选的，在隐藏层对所述输入标签数据进行编码包括：采用以下函数对所述输入标签数据进行编码：h₁＝f(xW₁+b₁)，其中，x是输入标签数据，W₁是第一层网络权重，b₁是偏差，h₁是第一数据。

可选的，在输出层对所述第一数据进行解码包括：采用以下函数对所述第一数据进行解码：O₂＝g(h₁W₂+b₂)，其中，h₁是第一数据,O₂是第二数据，W₂是第二层网络权重，b₂是偏差。