[发明专利]基于神经网络的数据标签生成方法、装置、终端及介质

权利要求书

1.一种基于神经网络的数据标签生成方法，其特征在于，所述方法包括：

获取历史数据；

初始化预设神经网络的输入参数；

输入所述历史数据至所述预设神经网络中进行训练；

当训练结束后，提取所述预设神经网络的指定层的输出作为候选数据标签；

计算所述候选数据标签的评分结果；

根据所述评分结果重新初始化所述预设神经网络的输入参数并基于新的输入参数进行新一轮的训练直至达到预设探索周期；

保存每一轮训练得到的神经网络模型及从每一轮神经网络模型中提取出的所述候选数据标签；

根据预设筛选条件从所保存的候选数据标签中筛选出目标数据标签。

2.如权利要求1所述的方法，其特征在于，所述提取所述预设神经网络的指定层的输出作为候选数据标签包括：

获取所述预设神经网络的类型；

当所述预设神经网络的类型为有监督的学习网络时，提取最后一层的输出作为候选数据标签；

当所述预设神经网络的类型为无监督的学习网络时，提取最中间层的输出作为候选数据标签。

3.如权利要求1所述的方法，其特征在于，所述根据所述评分结果重新初始化所述预设神经网络的输入参数包括：

为下一轮随机生成一组探索参数；

根据所述探索参数计算下一轮的初始输入参数；

基于所述初始输入参数训练下一轮神经网络模型并计算出下一轮的评分结果；

判断下一轮的评分结果是否大于上一轮的评分结果；

如果下一轮的评分结果大于上一轮的评分结果，则保留所述初始输入参数；

如果下一轮的评分结果小于或等于上一轮的评分结果，则所述初始输入参数为上一轮的初始输入参数。

4.如权利要求3所述的方法，其特征在于，采用如下公式计算每一轮的初始输入参数：

θ_t＝αθ_t’+(1-αt)θ_t-1，1<t<T，

其中，θ_t’为下一轮随机生成的一组探索参数，t代表轮次，T为所述预设探索周期，α为衰减系数。

5.如权利要求1至4中任意一项所述的方法，其特征在于，所述计算所述候选数据标签的评分结果包括：

计算所述候选数据标签与目标指标的皮尔逊相关系数；

对所述候选数据标签进行净值回测得到夏普比率；

计算训练结束后得到的神经网络模型的准确率；

计算ROC曲线下与坐标轴围成的AUC值；

根据所述皮尔逊相关系数、夏普比率、准确率及AUC值得到评分结果。

6.如权利要求1至4中任意一项所述的方法，其特征在于，在所述输入所述历史数据至所述预设神经网络中进行训练之前，所述方法还包括：

划分所述历史数据为第一份数据和第二份数据，其中，所述第二份数据的数量小于所述第一份数据的数量；

打乱所述第一份数据并均分为N份数据；

轮流选择所述N份数据中的N-1份数据作为训练集，剩余一份数据作为验证集。

7.如权利要求1至4中任意一项所述的方法，其特征在于，在所述获取历史数据之后，所述方法还包括：

对所述历史数据进行预处理，所述预处理包括：删除空数据、去除极值数据、数据标准化，其中，

所述删除空数据包括：对所述历史数据中的不完整数据填充0或者不存在的数据填充为0；

所述去除极值数据包括：去除所述历史数据中位于前K1行和后K2行的数据；对所述历史数据进行平均计算得到平均数据，将所述历史数据中大于所述平均数据的预设第一倍数的数据降低为所述平均数据，将所述历史数据中小于所述平均数据的预设第二倍数的数据提高为所述平均数据。