股票数据预测方法和装置、电子设备、计算机存储介质与流程

本发明涉及数据处理技术领域，具体涉及一种股票数据预测方法和装置、电子设备、计算机存储介质。

背景技术：

股票作为一种高回报的理财方式，其受到不少投资者的青睐，但与此同时，股票的高风险性也阻碍了一部分潜在投资者。由于影响股票价格的因素众多并且金融数据的专业性较强，普通的投资者，尤其是新入门的投资者，不熟悉市场，对数据缺乏敏感性，因此不能合理的预测股票的涨跌趋势。

在实现本发明实施例过程中，发明人发现现有技术中不能实现利用影响股票价格的多项历史数据建立预测模型来预测股票的涨跌，以便为投资者提供较为清晰地指引。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的股票数据预测方法和相应的股票数据预测装置、电子设备、计算机存储介质。

根据本发明的一个方面，提供了一种股票数据预测方法，该方法包括：

以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集；

将训练输入数据集输入至多层卷积网络中，得到与训练输入数据集对应的预测输出数据集，利用与训练输入数据集对应的预测输出数据集和训练输出数据集训练得到多层卷积网络的网络模型参数；

获取当天的股票测试数据，在当天的股票测试数据中提取预先设定的多个股票数据项对应的股票数据值作为当天的测试输入数据，将当天的测试输入数据输入至训练得到的多层卷积网络中，得到与当天的测试输入数据对应的隔天的预测输出数据，隔天的预测输出数据具体为股票涨势数据值或股票跌势数据值。

根据本发明的另一方面，提供了一种股票数据预测装置，该装置包括：

采集模块，适于以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集；

训练模块，适于将训练输入数据集输入至多层卷积网络中，得到与训练输入数据集对应的预测输出数据集，利用与训练输入数据集对应的预测输出数据集和训练输出数据集训练得到多层卷积网络的网络模型参数；

预测模块，适于获取当天的股票测试数据，在当天的股票测试数据中提取预先设定的多个股票数据项对应的股票数据值作为当天的测试输入数据，将当天的测试输入数据输入至训练得到的多层卷积网络中，得到与当天的测试输入数据对应的隔天的预测输出数据，隔天的预测输出数据具体为股票涨势数据值或股票跌势数据值。

根据本发明的另一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行股票数据预测方法对应的操作。

根据本发明的另一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行股票数据预测方法对应的操作。

根据本发明的股票数据预测方法和装置、电子设备、计算机存储介质，通过采集每天的股票数据作为每天的训练输入数据，采集每天的股票涨跌值作为训练输出数据，在时间上，每天的训练输入数据与第二天的训练输出数据对应；输入训练输入数据集至多层卷积网络中，利用与训练输入数据集对应的预测输出数据集和训练输出数据集得到多层卷积网络的网络模型参数；获取股票测试数据输入到多层卷积网络中，预测得到与测试输入数据对应的预测输出数据。根据本实施例的股票数据预测方法，可以对数据量大并且没有强事件驱动的股票数据采用大数据拟合出深度学习模型，将影响股票价格涨跌的多种因素综合考虑，由此实现准确预测股票涨跌情况的有益效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的股票数据预测方法的流程图；

图2示出了根据本发明另一个实施例的股票数据预测方法的流程图；

图3示出了根据本发明一个实施例的输入数据与输出数据对应关系的示意图；

图4示出了根据本发明一个实施例的两层卷积网络的网络模型图；

图5示出了根据本发明一个实施例的股票数据预测装置的功能框图；

图6示出了根据本发明另一个实施例的股票数据预测装置的功能框图；

图7示出了根据本发明实施例的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的股票数据预测方法的流程图。如图1所示，该方法包括以下步骤：

步骤s101，以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集。

具体地，从某只股票的历史数据中，以天为单位提取多个数据项的数据值作为一天的训练输入数据的原始数据，其中，数据项为影响股票价格涨跌的因素；并且提取与训练输入数据对应的第二天(隔天)的股票涨跌数据值作为训练输出数据，例如，若第二天的股票价格上涨，则对应的股票涨势数据值为1，若第二天的股票价格下跌，则对应的股票跌势数据值为0。用同样的方法提取多天的训练输入数据和训练输出数据，由多天的上述训练输入数据和训练输出数据分别组成训练输入数据集和训练输出数据集。

步骤s102，将训练输入数据集输入至多层卷积网络中，得到与训练输入数据集对应的预测输出数据集，利用与训练输入数据集对应的预测输出数据集和训练输出数据集训练得到多层卷积网络的网络模型参数。

具体地，将上述提取得到的训练输入数据集作为多层卷积网络的第一层的输入数据，利用多层卷积网络模型得到的与训练输入数据集对应的预测输出数据集和训练输出数据集的误差，自适应调整多层卷积网络模型的参数，直到误差达到预设的值，此时的网络模型参数就确定了本实施例的用于预测的多层卷积网络模型。

步骤s103，获取当天的股票测试数据，在当天的股票测试数据中提取预先设定的多个股票数据项对应的股票数据值作为当天的测试输入数据，将当天的测试输入数据输入至训练得到的多层卷积网络中，得到与当天的测试输入数据对应的隔天的预测输出数据，隔天的预测输出数据具体为股票涨势数据值或股票跌势数据值。

在需要预测某只股票第二天的涨跌情况时，采集与用于训练时相同的多个股票数据项对应的股票数据值作为测试输入数据，并输入到已确定的多层卷积网络模型中，得到第二天的预测输出数据。

本发明实施例提供的股票数据预测方法，通过采集每天的股票数据作为每天的训练输入数据，采集每天的股票涨跌值作为训练输出数据，在时间上，每天的训练输入数据与第二天的训练输出数据对应；输入训练输入数据集至多层卷积网络中，利用与训练输入数据集对应的预测输出数据集和训练输出数据集得到多层卷积网络的网络模型参数；获取股票测试数据输入到多层卷积网络中，预测得到与测试输入数据对应的预测输出数据。根据本实施例的股票数据预测方法，可以对数据量大并且没有强事件驱动的股票数据采用大数据拟合出深度学习模型，将影响股票价格涨跌的多种因素综合考虑，由此实现准确预测股票涨跌情况的有益效果。

图2示出了根据本发明另一个实施例的股票数据预测方法的流程图。如图2所示，该方法包括以下步骤：

步骤s201，采集股票历史数据，并提取数天的训练输入数据组成训练输入数据集和隔天的训练输出数据组成训练输出数据集，其中，训练输入数据包括多项影响股票价格涨跌的数据项对应的值。

具体地，多个股票数据项包括以下数据项中的任意多项：开盘价、收盘价、交易量、最高价、5日均线、5日成交量、10日均线、10日成交量、换手率、指数平滑移动平均线、简易移动平均线以及加权移动平均线。

由于一些金融数据的采集需要的周期较长，并且受交易时间的限制，一个月开盘的天数只有20天左右，因此在采集数据的时候，应考虑时间周期等问题。以采集指数平滑移动平均线的数据为例，其需要最近26天的数据的平均值。

图3示出了根据本发明一个实施例的输入数据与输出数据对应关系的示意图。如图3所示，输入数据为从采集到的股票历史数据中提取的m天的开盘价、收盘价、最高价等k项数据项的数据值，形成m组输入数据，m组输入数据可构成一个m*k的输入数据矩阵，图3中，macd为指数平滑移动平均线，wma为加权移动平均线，该输入数据构成的输入数据矩阵可作为训练时的训练输入数据集，也可以作为评估网络模型预测准确性的测试输入数据；输出数据为对应每一组数据的隔天的股票涨势数据值或跌势数据值。以第1组数据为例，提取的数据项k为64，即第1组数据的输入数据长度为64，第1组数据对应的当天的各个数据项的数据值分别为x11、x12……x1n……x164，提取到的隔天的股票的涨跌情况值为跌，用0表示跌势数据值。

步骤s202，设置多层卷积网络的卷积层数、池化规格参数以及初始网络模型参数。

在本实施例中，多层卷积网络的卷积层数为两层，池化规格参数为2*2。

步骤s203，将训练输入数据集转换为预设维度的训练输入向量后输入至多层卷积网络中。

在本实施例中，预设维度的向量为四维向量。

以采集的训练输入数据为64个股票数据项对应的股票数据值为例，则一天的训练输入数据可看作1*64的向量，假设一组训练输入数据为[0.06999999999999984,83.888888888888928,87.287342287342298,57.105025261063012,-26.315789473684124,…..,127.86885245901655,58.223378529133605,100427.45000000001,2.3728813559321882,9.0526006774772796]，利用python的reshape函数，将训练输入数据转化为四维向量x1，具体为x1＝tf.reshape(x,[-1,8,8,1])，其中tf为python语言的一个函数库。

将每一组训练输入数据集中的每一天对应的一组训练输入数据都转换为四维的训练输入向量输入到多层卷积网络的第一层。

步骤s204，计算训练输入数据集对应的预测输出数据集和训练输出数据集的误差，利用该误差对网络模型的参数进行优化以满足预设误差值，得到多层卷积网络。

选取与训练输入数据集对应的预测输出数据集和训练输出数据集的交叉熵为训练的损失函数；采用梯度下降法，对多层卷积网络的网络模型参数进行优化处理以满足损失函数达到预设条件。

图4示出了根据本发明一个实施例的两层卷积网络的网络模型图。如图4所示，在输入数据矩阵对应的训练输入数据转化为预设维度的训练输入向量之后，将训练输入向量与多层卷积网络的第一层的网络模型参数w1求卷积，具体算法为：y1＝tf.nn.conv2d(x1,w1)+b1，其中x1为预设维度的训练输入向量，w1和b1均为网络模型参数，y1为卷积结果；将卷积结果进行池化，即将y1按照预设的池化规格取均值或最大值，例如本实施例中的池化规格为2*2，就是对y1以2*2的规格依次求取均值或最大值，相当于对y1进行了聚合操作，得到第一层卷积的输出为y2。

将第一层卷积的输出y2输入到多层卷积网络的第二层中与第二层卷积的模型参数w2求卷积后进行池化，即将卷积结果y3按照预设的池化规格取均值或最大值，得到第二层卷积的输出为y4。

将第二层卷积的输出y4输出到一个全连接层，即将y4与一模型参数进行w3的耦合，具体算法为：y5＝y4*w3+b，其中w3和b均为网络模型参数，y5为耦合结果，耦合结果y5经softmax函数处理后即为对应训练输入向量的隔天的预测输出数据，则m*k的输入数据矩阵也有对应的m*1的输出数据矩阵。该对应训练输入向量的隔天的预测输出数据与训练输出数据误差值须达到预设误差值，训练的过程才能结束，结束时的网络模型参数就确定了用于预测的多层卷积网络模型。

在本实施例中，选取的计算误差大小的损失函数为对应训练输入向量的预测输出数据和训练输出数据的交叉熵，即-∑y-*㏒(y)，其中，y-为对应训练输入向量的预测输出数据，y为训练输出数据；在该交叉熵的结果未满足预设条件时，采用梯度下降法优化多层卷积网络的网络模型参数，直至达到预设条件，即找出让交叉熵最小的网络模型参数时，训练结束，得到多层卷积网络的网络模型参数。

步骤s205，将测试输入数据转换为预设维度的测试输入向量输入至训练得到的多层卷积网络中，预测得到与测试输入数据对应的预测输出数据。

在需要预测某只股票第二天的涨跌情况时，采集与用于训练时相同的多个股票数据项对应的股票数据值作为测试输入数据，将测试输入数据转换为四维的测试输入向量并输入到已确定的多层卷积网络模型中，得到第二天的预测输出数据。

在本实施例步骤s205之前，还可以对步骤s204得到的多层卷积网络模型进行评估，进一步验证模型的准确率和有效性。

本发明实施例提供的股票数据预测方法，将提取的训练输入数据转化为预设向量输入到多层卷积网络中；采用梯度下降法并根据损失函数的值来优化多层卷积网络的网络模型参数；对确定的多层卷积网络模型进行评估，输入预测输入数据进行预测。根据本实施例的股票数据预测方法，可以对数据量大并且没有强事件驱动的股票数据采用大数据拟合出深度学习模型，将影响股票价格涨跌的多种因素综合考虑，由此实现准确预测股票涨跌情况的有益效果。

图5示出了根据本发明一个实施例的股票数据预测装置的功能框图。如图3所示，该装置包括采集模块31、训练模块32和预测模块33。

采集模块31，适于以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集。

训练模块32，适于将训练输入数据集输入至多层卷积网络中，得到与训练输入数据集对应的预测输出数据集，利用与训练输入数据集对应的预测输出数据集和训练输出数据集训练得到多层卷积网络的网络模型参数。

预测模块33，适于获取当天的股票测试数据，在当天的股票测试数据中提取预先设定的多个股票数据项对应的股票数据值作为当天的测试输入数据，将当天的测试输入数据输入至训练得到的多层卷积网络中，得到与当天的测试输入数据对应的隔天的预测输出数据，隔天的预测输出数据具体为股票涨势数据值或股票跌势数据值。

本发明实施例提供的股票数据预测装置，通过采集每天的股票数据作为每天的训练输入数据，采集每天的股票涨跌值作为训练输出数据，在时间上，每天的训练输入数据与第二天的训练输出数据对应；输入训练输入数据集至多层卷积网络中，利用与训练输入数据集对应的预测输出数据集和训练输出数据集得到多层卷积网络的网络模型参数；获取股票测试数据输入到多层卷积网络中，预测得到与测试输入数据对应的预测输出数据。根据本实施例的股票数据预测装置，可以对数据量大并且没有强事件驱动的股票数据采用大数据拟合出深度学习模型，将影响股票价格涨跌的多种因素综合考虑，由此实现准确预测股票涨跌情况的有益效果。

图6示出了根据本发明另一个实施例的股票数据预测装置的功能框图。如图6所示，图6除了包括图5所示的各个模块外，还包括初始化模块41。

初始化模块41，适于设置多层卷积网络的卷积层数、池化规格参数以及初始网络模型参数。

在本实施例中，多层卷积网络的卷积层数为两层，池化规格参数为2*2。

采集模块31，适于以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集。

其中，多个股票数据项包括以下数据项中的任意多项：开盘价、收盘价、交易量、最高价、5日均线、5日成交量、10日均线、10日成交量、换手率、指数平滑移动平均线、简易移动平均线以及加权移动平均线。

训练模块32，适于将训练输入数据集转换为预设维度的训练输入向量后输入至多层卷积网络中，得到与训练输入数据集对应的预测输出数据集，利用与训练输入数据集对应的预测输出数据集和训练输出数据集训练得到多层卷积网络的网络模型参数。

在本实施例中，预设维度的向量为四维向量。

训练过程中，训练模块32还适于选取与训练输入数据集对应的预测输出数据集和训练输出数据集的交叉熵为训练的损失函数；采用梯度下降法，对多层卷积网络的网络模型参数进行优化处理以满足损失函数达到预设条件。

预测模块33，适于将测试输入数据转换为预设维度的测试输入向量输入至训练得到的多层卷积网络中，预测得到与测试输入数据对应的预测输出数据。

本发明实施例提供的股票数据预测装置，将提取的训练输入数据转化为预设向量输入到多层卷积网络中；采用梯度下降法并根据损失函数的值来优化多层卷积网络的网络模型参数；对确定的多层卷积网络模型进行评估，输入预测输入数据进行预测。根据本实施例的股票数据预测装置，可以对数据量大并且没有强事件驱动的股票数据采用大数据拟合出深度学习模型，将影响股票价格涨跌的多种因素综合考虑，由此实现准确预测股票涨跌情况的有益效果。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的股票数据预测方法。

图7示出了根据本发明实施例的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。

如图7所示，该电子设备可以包括：处理器(processor)602、通信接口(communicationsinterface)604、存储器(memory)606、以及通信总线608。

其中：

处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。

通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器602，用于执行程序610，具体可以执行上述股票数据预测方法实施例中的相关步骤。

具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。

处理器602可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器606，用于存放程序610。存储器606可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序610具体可以用于使得处理器602执行以下操作：

以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集；

将所述训练输入数据集输入至多层卷积网络中，得到与所述训练输入数据集对应的预测输出数据集，利用所述与训练输入数据集对应的预测输出数据集和所述训练输出数据集训练得到多层卷积网络的网络模型参数；

获取当天的股票测试数据，在所述当天的股票测试数据中提取预先设定的多个股票数据项对应的股票数据值作为当天的测试输入数据，将所述当天的测试输入数据输入至训练得到的多层卷积网络中，得到与所述当天的测试输入数据对应的隔天的预测输出数据，所述隔天的预测输出数据具体为股票涨势数据值或股票跌势数据值。

所述多个股票数据项包括以下数据项中的任意多项：开盘价、收盘价、交易量、最高价、5日均线、5日成交量、10日均线、10日成交量、换手率、指数平滑移动平均线、简易移动平均线以及加权移动平均线。

程序610具体还可以用于使得处理器602执行以下操作：

将所述训练输入数据集转换为预设维度的训练输入向量后输入至所述多层卷积网络中；

将所述当天的测试输入数据转换为预设维度的测试输入向量输入至所述训练得到的多层卷积网络中。

所述预设维度的向量为四维向量。

程序610具体还可以用于使得处理器602执行以下操作：

设置多层卷积网络的卷积层数、池化规格参数以及初始网络模型参数。

所述多层卷积网络的卷积层数为两层，所述池化规格参数为2*2。

程序610具体还可以用于使得处理器602执行以下操作：

选取与所述训练输入数据集对应的预测输出数据集和所述训练输出数据集的交叉熵为训练的损失函数；

采用梯度下降法，对多层卷积网络的网络模型参数进行优化处理以满足损失函数达到预设条件。

程序610中各步骤的具体实现可以参见上述应用中股票数据预测方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的股票数据预测装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

本发明公开了：a1.一种股票数据预测方法，其包括：

以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集；

将所述训练输入数据集输入至多层卷积网络中，得到与所述训练输入数据集对应的预测输出数据集，利用所述与训练输入数据集对应的预测输出数据集和所述训练输出数据集训练得到多层卷积网络的网络模型参数；

获取当天的股票测试数据，在所述当天的股票测试数据中提取预先设定的多个股票数据项对应的股票数据值作为当天的测试输入数据，将所述当天的测试输入数据输入至训练得到的多层卷积网络中，得到与所述当天的测试输入数据对应的隔天的预测输出数据，所述隔天的预测输出数据具体为股票涨势数据值或股票跌势数据值。

a2.根据a1所述的方法，其中，所述多个股票数据项包括以下数据项中的任意多项：开盘价、收盘价、交易量、最高价、5日均线、5日成交量、10日均线、10日成交量、换手率、指数平滑移动平均线、简易移动平均线以及加权移动平均线。

a3.根据a1或a2所述的方法，其中，所述将所述训练输入数据集输入至多层卷积网络中具体为：将所述训练输入数据集转换为预设维度的训练输入向量后输入至所述多层卷积网络中；

所述将所述当天的测试输入数据输入至训练得到的多层卷积网络中具体为：将所述当天的测试输入数据转换为预设维度的测试输入向量输入至所述训练得到的多层卷积网络中。

a4.根据a3所述的方法，其中，所述预设维度的向量为四维向量。

a5.根据a1-a4中任一项所述的方法，其中，在所述将所述训练输入数据集输入至多层卷积网络中之前，所述方法还包括：设置多层卷积网络的卷积层数、池化规格参数以及初始网络模型参数。

a6.根据a5所述的方法，其中，所述多层卷积网络的卷积层数为两层，所述池化规格参数为2*2。

a7.根据a1-a6中任一项所述的方法，所述利用所述与训练输入数据集对应的预测输出数据集和所述训练输出数据集训练得到多层卷积网络的网络模型参数进一步包括：

选取与所述训练输入数据集对应的预测输出数据集和所述训练输出数据集的交叉熵为训练的损失函数；

采用梯度下降法，对多层卷积网络的网络模型参数进行优化处理以满足损失函数达到预设条件。

本发明还公开了：b8.一种股票数据预测装置，其包括：

采集模块，适于以天为单位采集数天内的股票历史数据，在每天的股票历史数据中提取预先设定的多个股票数据项对应的股票数据值作为每天的训练输入数据，在隔天的股票历史数据中提取股票涨势数据值或股票跌势数据值作为每天的训练输入数据对应的训练输出数据，最终得到数天的训练输入数据组成的训练输入数据集以及数天的训练输出数据组成的训练输出数据集；

训练模块，适于将所述训练输入数据集输入至多层卷积网络中，得到与所述训练输入数据集对应的预测输出数据集，利用所述与训练输入数据集对应的预测输出数据集和所述训练输出数据集训练得到多层卷积网络的网络模型参数；

预测模块，适于获取当天的股票测试数据，在所述当天的股票测试数据中提取预先设定的多个股票数据项对应的股票数据值作为当天的测试输入数据，将所述当天的测试输入数据输入至训练得到的多层卷积网络中，得到与所述当天的测试输入数据对应的隔天的预测输出数据，所述隔天的预测输出数据具体为股票涨势数据值或股票跌势数据值。

b9.根据b8所述的装置，其中，所述多个股票数据项包括以下数据项中的任意多项：开盘价、收盘价、交易量、最高价、5日均线、5日成交量、10日均线、10日成交量、换手率、指数平滑移动平均线、简易移动平均线以及加权移动平均线。

b10.根据b8或b9所述的装置，其中，所述训练模块进一步适于：将所述训练输入数据集转换为预设维度的训练输入向量后输入至所述多层卷积网络中；

所述预测模块进一步适于：将所述当天的测试输入数据转换为预设维度的测试输入向量输入至所述训练得到的多层卷积网络中。

b11.根据b10所述的装置，其中，所述预设维度的向量为四维向量。

b12.根据b8-b11中任一项所述的装置，其中，所述装置还包括：初始化模块，适于设置多层卷积网络的卷积层数、池化规格参数以及初始网络模型参数。

b13.根据b12所述的装置，其中，所述多层卷积网络的卷积层数为两层，所述池化规格参数为2*2。

b14.根据b8-b13中任一项所述的装置，所述训练模块进一步适于：选取与所述训练输入数据集对应的预测输出数据集和所述训练输出数据集的交叉熵为训练的损失函数；采用梯度下降法，对多层卷积网络的网络模型参数进行优化处理以满足损失函数达到预设条件。

本发明还公开了：c15.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如a1-a7中任一项所述的股票数据预测方法对应的操作。

本发明还公开了：d16.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行如a1-a7中任一项所述的股票数据预测方法对应的操作。