[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

说明书

本公开提供了一种深度学习指数增强方法，可以应用于金融技术领域。该方法包括：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；将时间序列特征输入卷积神经网络，获取第二特征矩阵；将第一特征矩阵和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成分股的涨跌概率；基于涨跌概率调整各成分股的权重指数。本公开还提供了一种深度学习指数增强装置、设备、存储介质和程序产品。

技术领域

本公开涉及金融领域，具体地涉及一种深度学习指数增强方法、装置、设备、介质和程序产品。

背景技术

现有的指数增强方法一般包括以下两种方式：一种是通过股票研究员对指数的权重股进行深度研究调研，手动动态的变化指数的成分股的权重；一种是基于量价和基本面分析对指数的成分股的权重进行重新配比。上述第一种方法比较依赖研究员个人、团队的能力，还存在操作不合规的可能性；上述第二种方法是目前大多数量化基金采用的方案，一般会使用规则、传统回归算法或随机森林方法进行成分股的权重配比，这类算法模型一般具有较好的可解释性，但由于应用广泛，目前基于这种模式的增强策略收益几乎难有突破。

近年来，深度学习算法也逐渐应用于股票预测的场景中。由于深度学习是一种黑盒学习模式，模型的解释性较差。如何提升深度学习模型的解释性，是金融领域近年来的一个研究点。

发明内容

鉴于上述问题，本公开提供了深度学习指数增强方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了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，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。

根据本公开的实施例，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。

根据本公开的实施例，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。

根据本公开的实施例，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。

根据本公开的实施例，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。

根据本公开的实施例，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以后的剩余所述成分股按原始指数权重所占比例缩小，以使各所述成分股的中权重指数之和为1。

根据本公开的实施例，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。