[发明专利]基于神经网络的数据分析方法、装置、设备及存储介质

说明书

本发明公开了一种基于神经网络的数据分析方法、装置、设备及存储介质，其中方法包括：获取金融标的物在最近的预设数量个采样时间间隔的实际价格、实际移动平均价格；根据采样时间间隔、实际价格和实际移动平均价格构建输入变量；将输入变量输入至预先训练好的反向传播神经网络模型进行分析，并根据分析结果确认未来预设时间内金融标的物的价格趋势；基于布林带交易法根据价格趋势生成未来预设时间内的交易策略建议。本发明利用结合采样时间来构建的变量作为神经网络进行分析，该结合采样时间所进行的分析结果更为准确，有助于用户及时调整交易策略。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种基于神经网络的数据分析方法、装置、设备及存储介质。

背景技术

金融标的物是指金融市场中的金融产品，例如：股票市场的标的物是股票，换句话说，交易的就是用户对于上市公司的投资，期货市场的标的物是指某些商品的交易合约，还有外汇、证券等均属于金融标的物。

金融标的物的交易在今天的金融市场中起着很重要的作用。近年来，金融标的物的交易市场吸引了越来越多人的关注，并参与到金融投资中以期获取到更多的利益。鉴于金融投资是为了获得更大的收益，而有效地进行金融标的物价格的分析，可以最大程度规避投资风险，增加投资收益，是金融投资者最关注的热点问题。

目前，为了帮助用户进行合理投资，各种各样的，金融标的物数据分析方法主要有回归分析法、时间序列法、马尔柯夫分析法等传统方法，还有就是支持向量机、神经网络等人工智能的分析方法等。为了进一步提高金融标的物数据分析的精度，一些改进的算法和学习策略也被应用到金融标的物数据分析的问题上。然后，现有的分析模型的结构、输入变量的不同均可能导致分析结果与实际结果偏差很大，导致分析结果不准确，不足以辅助用户合理的规划交易策略。

发明内容

本申请提供一种基于神经网络的数据分析方法、装置、计算机设备及存储介质，以解决现有的分析金融标的物价格趋势的方式效果不佳的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种基于神经网络的数据分析方法，包括：获取金融标的物在最近的预设数量个采样时间间隔的实际价格、实际移动平均价格；根据采样时间间隔、实际价格和实际移动平均价格构建输入变量；将输入变量输入至预先训练好的反向传播神经网络模型进行分析，并根据分析结果确认未来预设时间内金融标的物的价格趋势；基于布林带交易法根据价格趋势生成未来预设时间内的交易策略建议。

作为本申请的进一步改进，反向传播神经网络模型通过以下方式训练得到：根据预先获取的历史价格、历史移动平均价格和采样时间间隔构建训练样本，并获取与采样时间间隔对应的历史实际价格趋势；将训练样本输入至待训练的反向传播神经网络模型进行分析，并根据历史分析结果确认训练样本对应的历史事件段内金融标的物的期望价格趋势；结合期望价格趋势、历史实际价格趋势和预先设置的损失函数反向传播更新反向传播神经网络模型。

作为本申请的进一步改进，反向传播神经网络模型包括输入层、隐含层和输出层；输入层对输入变量进行归一化处理，计算公式为：其中，a_i为第i个训练样本，n为训练样本的总数，max()表示取最大值，min()表示取最小值，x_i为归一化后的第i个训练样本；隐含层的输出值的计算公式为：其中，h_j为隐含层的输出值，m表示输入层神经元个数，m≤n，w_ij为输入层的第i个神经元与隐含层的第j个神经元之间的权值，θ_j为隐含层的第j个神经元的阈值，f为隐含层神经元个数；输出层的输出值的计算公式为：其中，y_k为输出层的输出值，w_jk为隐含层的第j个神经元与输出层的第k个神经元之间的权值，θ_k为输出层的第k个神经元的阈值，g为输出层神经元个数；损失函数为：其中E₁为损失函数值，o_i为期望价格趋势。