[发明专利]一种基于多尺度金融时间序列处理的深度强化学习交易方法

权利要求书

1.一种基于多尺度金融时间序列处理的深度强化学习交易方法，其特征在于，包含以下步骤：

步骤1：获取金融时间序列，对金融时间序列进行多尺度k线化处理；

步骤2：对多尺度k线的每一尺度分别进行去包含关系的标准化处理；

步骤3：在去包含处理后的多尺度k线上抽象出各个尺度的顶底分型，根据相邻顶底分型与均线构筑严格笔；

步骤4：把原k线数据与多尺度分笔数据组成多尺度特征矩阵，基于马尔科夫决策模型构筑交易环境；

步骤5：基于深度确定性策略梯度算法构筑深度强化学习智能体；

步骤6：使用步骤5中构筑的智能体与步骤4中构筑的交易环境交互学习交易策略。

2.根据权利要求1所述的一种基于多尺度金融时间序列处理的深度强化学习交易方法，其特征在于：多尺度k线化其特征为：

k＝{k¹，k²，k³...kⁿ}

其中kⁿ中的n代表不同尺度，每一个k的特征为：

其中指n尺度下的开盘价，指n尺度下的收盘价，指n尺度下的最高价，指n尺度下的最低价，指n尺度下的成交量，指n尺度下的成交额。

3.根据权利要求1所述的一种基于多尺度金融时间序列处理的深度强化学习交易方法，其特征在于：去包含关系的标准化处理方式特征为：

如果2条同一尺度曲线满足ki_high≤k(i+1)_high，则标准化处理方式为：

k′_low＝min(ki_low，k(i+1)_low)

k′_high＝min(ki_high，k(i+1)_high)

如果2条同一尺度曲线满足ki_high≥k(i+1)_high，则标准化处理方式为：

k′_low＝min(ki_low，k(i+1)_low)

k′_high＝min(ki_high，k(i+1)_high)

其中i代表第i根k线，上述ki_low，ki_high表示第i条k线的最低价和最高价。

4.根据权利要求1所述的一种基于多尺度金融时间序列处理的深度强化学习交易方法，其特征在于：底分型特征为：

满足ki_high＜k(i+1)_high和k(i+2)_high＜k(i+1)_high同时满足ki_low＜k(i+1)_low和k(i+2)_low＜k(i+1)_low的三条无包含关系同一尺度连续k线。

5.根据权利要求1所述的一种基于多尺度金融时间序列处理的深度强化学习交易方法，其特征在于：顶分型特征为：

满足ki_high＞k(i+1)_high和k(i+2)_high＞k(i+1)_high同时满足ki_low＞k(i+1)_low和k(i+2)_low＞k(i+1)_low的三条无包含关系同一尺度连续k线。