[发明专利]深度学习指数增强方法、装置、设备、介质和程序产品

权利要求书

1.一种深度学习指数增强方法，包括：

获取第一预设交易日内股票指数的各成分股的多个特征指标，构成时间序列特征；

计算所述时间序列特征中特征指标两两之间的多种统计参数，构成第一特征矩阵；

将所述时间序列特征输入卷积神经网络进行特征指标分类卷积，获取第二特征矩阵；

将所述第一特征矩阵和所述第二特征矩阵叠加后输入预设的长短期记忆模型，得到第二预设交易日内各所述成分股的涨跌概率；

基于所述涨跌概率调整各所述成分股的权重指数。

2.根据权利要求1所述的方法，其特征在于，所述多个特征指标包括价格波动指标、交易指标、公司基本面数据。

3.根据权利要求1所述的方法，其特征在于，所述计算所述时间序列特征中特征指标两两之间的多种统计参数，构成第一特征矩阵包括：

将所述时间序列特征在时间方向上分为多个周期；

计算每个周期内所述时间序列特征中特征指数排列组合后两两之间的协方差、标准差及相关系数；

基于每个周期内所述特征指数两两之间的协方差、标准差及相关系数，构成第一特征矩阵。

4.根据权利要求2所述的方法，其特征在于，所述将所述时间序列特征输入卷积神经网络进行特征指标分类卷积，获取第二特征矩阵包括：

将所述时间序列特征输入卷积神经网络，对所述价格波动指标、交易指标、公司基本面数据分类进行卷积操作，计算所述价格波动指标、交易指标、公司基本面数据各自所包含的多个特征指标之间的相关性，构成所述第二特征矩阵。

5.根据权利要求1所述的方法，其特征在于，将所述第一特征矩阵和所述第二特征矩阵叠加后输入预设的长短期记忆模型，得到第二预设交易日内各所述成分股的涨跌概率包括：

基于所述长短期记忆模型对叠加后的所述第一特征矩阵和所述第二特征矩阵进行时序分析，得到第二预设交易日内各所述成分股的权重指数的预测时序特征；

将所述时间序列特征和所述预测时序特征输入全连接层，计算所述预测时序特征与所述时间序列特征中各所述成分股对应的多个特征指标的变化差值，基于所述变化差值计算所述涨跌概率。

6.根据权利要求1所述的方法，其特征在于，所述基于所述涨跌概率调整各所述成分股的权重指数包括：

获取所述涨跌概率最高的前N个成分股，将所述涨跌概率作为提升比例提升对应的所述成分股的权重指数；

将所述涨跌概率排名在N以后的所述成分股按原始指数权重所占比例缩小，使各所述成分股的中权重指数之和为1。

7.根据权利要求1所述的方法，其特征在于，还包括；基于各所述成分股的权重指数的涨跌幅度，调节各所述成分股的持有比例。

8.一种深度学习指数增强装置，包括：

特征指标获取模块，用于获取第一预设交易日内股票指数的各成分股的多个特征指标，构成时间序列特征；

第一特征矩阵计算模块，用于分别计算所述时间序列特征中特征指标两两之间的多种统计参数，构成第一特征矩阵；

第二特征矩阵计算模块，用于将所述时间序列特征输入卷积神经网络，获取第二特征矩阵；

涨跌概率计算模块，用于将所述第一特征矩阵和所述第二特征矩阵叠加后输入预设的长短期记忆模型，得到第二预设交易日内各所述成分股的涨跌概率；以及

指数调节模块，用于基于所述涨跌概率调整各所述成分股的权重指数。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。