AI多因子选股方法、系统及介质与流程

本发明涉及人工智能技术领域，具体地，涉及ai多因子选股方法、系统及介质。

背景技术：

证券是多种经济权益凭证的统称，因此，广义上的证券市场指的是所有证券发行和交易的场所，狭义上，也是最活跃的证券市场指的是资本证券市场、货币证券市场和商品证券市场。是股票、债券、商品期货、股票期货、期权、利率期货等证券产品发行和交易的场所。

证券市场是市场经济发展到一定阶段的产物，是为解决资本供求矛盾和流动性而产生的市场。证券市场以证券发行和交易的方式实现了筹资与投资的对接，有效地化解了资本的供求矛盾和资本结构调整的难题。在发达的市场经济中，证券市场是完整的市场体系的重要组成部分，它不仅反映和调节货币资金的运动，而且对整个经济的运行具有重要影响。

而人工智能(artificialintelligence)，英文缩写为ai。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。本发明就是与人工智能结合选股方法结合发明一套ai多因子选股方法。

专利文献cn108171607a(申请号：201810080251.3)公开了一种ai选股方法及装置。所述的基定板上固定有限位轴承，所述的限位轴承内部开有限位腔，并且在中心位置设有轴套a；所述的转轴贯通于限位轴承内，所述的转轴中间位置固定有限位片，转轴末端固定有转盘；本发明是一种将人工智能技术应用于证券市场的新兴择股方法。所述方法包括：用数据挖掘算法挖掘海量多维数据，针对数据提供非线性关系的模糊处理，探索市场中蕴藏的复杂的非线性规律，实时选择有涨势潜力的股票。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种ai多因子选股方法、系统及介质。

根据本发明提供的根据本发明提供的一种ai多因子选股方法，包括：

步骤1：整理因子数据，并搭建神经网络模型；

步骤2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；

步骤3：根据选取的有效因子，确定最终的神经网络模型；

步骤4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司；

优选地，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；

所述财务因子包括：市值、市盈率；

所述技术面因子包括：k线形态；

优选地，所述步骤1包括如下步骤：

步骤1.1：对全部因子数据进行标准化并分成训练集和测试集；

步骤1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；

步骤1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；

步骤1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，返回步骤1.2继续执行。

优选地，所述步骤1.3：

所述微调指调制模型参数；

所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。

本发明提供的ai多因子选股系统，可以通过本发明给的ai多因子选股方法的步骤流程实现。本领域技术人员可以将所述ai多因子选股方法，理解为所述ai多因子选股系统的一个优选例。

根据本发明提供的一种ai多因子选股系统，包括：

模块1：整理因子数据，并搭建神经网络模型；

模块2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；

模块3：根据选取的有效因子，确定最终的神经网络模型；

模块4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司；

优选地，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；

所述财务因子包括：市值、市盈率；

所述技术面因子包括：k线形态；

优选地，所述模块1包括如下模块：

模块1.1：对全部因子数据进行标准化并分成训练集和测试集；

模块1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；

模块1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；

模块1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，调用模块1.2。

优选地，所述模块1.3：

所述微调指调制模型参数；

所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。

根据本发明提供的一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现上述中任一项所述的ai多因子选股方法的步骤。

与现有技术相比，本发明具有如下的有益效果：

1)本发明通过使用神经网络模型，解决了因子权重难以确定的问题。

简单线性模型的准确率难以满足要求，而基础算法下非线性模型的计算量过大，且模型结构难以确定。运用深度神经网络模型，简化模型搭建和计算过程，充分运用计算机算力，使复杂的多层非线性模型可以应用到实际中，有效的减少了多因子模型的误差。

2)本发明通过使用神经网络模型，解决了因子有效性难以确定的问题

因子有效性检验算法种类使用繁琐。运用深度神经网络模型可以简化此过程，在算力允许的情况下，将所有因子放入模型，观察最终模型不同因子的权重值，即可知道其有效性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的神经网络模型搭建示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种ai多因子选股方法，包括：

步骤1：整理因子数据，并搭建神经网络模型；

步骤1：整理因子数据(方法包括：特征提取、标准化)，并应用tensorflow、keras方法搭建神经网络模型。

步骤2：将整理过的数据作为模型输入值输入搭建好的神经网络，模型的输出值为每个输入值对应的权重即因子权重(可以理解为因子对最终结果的影响程度，权重绝对值越大，影响程度越高)选取权重绝对值大于预设值的因子作为有效因子。(即选取影响程度较大的因子作为有效因子)

步骤3：将步骤2选取的有效因子作为最终神经网络模型的输入值，确定最终模型。

步骤4：首先对步骤3确定的最终模型进行训练，其次根据训练好的神经网络模型对股票进行预测打分。最后选取出预测得分较高(即预测未来股价较高)的公司，即为未来预期市场表现较好的公司。(市场表现较好指股价有较大的上升空间)

具体地，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；

具体地，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子、价量因子、盘口数据因子。

所属财务因子包括：市值、市盈率、自由现金流、盈利增长率。

所述技术面因子包括：ma、macd，布林带、k线形态。

具体地，所述步骤1包括如下步骤：

步骤1.1：对全部因子数据进行标准化并分成训练集和测试集；

步骤1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；

步骤1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；

步骤1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，返回步骤1.2继续执行。

具体地，所述步骤1.3：

所述微调指调制模型参数；

所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。

本发明提供的ai多因子选股系统，可以通过本发明给的ai多因子选股方法的步骤流程实现。本领域技术人员可以将所述ai多因子选股方法，理解为所述ai多因子选股系统的一个优选例。

根据本发明提供的一种ai多因子选股系统，包括：

模块1：整理因子数据，并搭建神经网络模型；

模块2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；

模块3：根据选取的有效因子，确定最终的神经网络模型；

模块4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司；

具体地，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；

所述财务因子包括：市值、市盈率；

所述技术面因子包括：k线形态；

具体地，所述模块1包括如下模块：

模块1.1：对全部因子数据进行标准化并分成训练集和测试集；

模块1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；

模块1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；

模块1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，调用模块1.2。

具体地，所述模块1.3：

所述微调指调制模型参数；

所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。

根据本发明提供的一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现上述中任一项所述的ai多因子选股方法的步骤。

下面通过优选例，对本发明进行更为具体地说明。

优选例1：

本产品运用深度神经网络算法选取与股票质量相关度高的因子，并对因子权重进行计算。以期可对公司质量进行准确评估，选出优秀的股票。

步骤1：整理因子数据(方法包括：特征提取、标准化)，并应用tensorflow、keras方法搭建神经网络模型。

因子数据指可用于衡量公司质量的因子：如财务因子(市值、市盈率等)，技术面因子(k线形态)等等。

图1为本发明提供的神经网络模型搭建示意图。

步骤2：根据模型训练结果选取权重绝对值较大的因子作为有效因子用于公司质量评估。

此处所运用的神经网络模型最终产出即是不同因子的权重。简单来说，公司的质量等于不同的因子值乘以其权重的累加。权重绝对值较大说明此因子在衡量公司质量中所占的权重较大。

步骤3：选取有效因子重复步骤1计算因子权重，确定最终模型。

因子的权重即是模型的最终产出，对因子权重乘以因子值进行累加即是公司的最终质量。所以因子权重可看作用于量化衡量因子如何影响公司质量的方法。

步骤4：首先对步骤3确定的最终模型进行训练，其次根据训练好的神经网络模型对股票进行预测打分。最后选取出预测得分较高的公司(即预测未来股价较高)，即为未来预期市场表现较好的公司。(市场表现较好指股价有较大的上升空间)

所述步骤1包括如下步骤：

步骤1.1：对全部因子数据进行标准化并分成训练集和测试集

步骤1.2：搭建神经网络模型，根据实际应用情况设定神经元个数、神经网络层数、损失函数和优化器。

步骤1.3：将训练数据放入模型进行训练，根据训练集中的预测准确率对模型进行微调，使准确率达到要求。

微调包括但不限于神经元个数、神经网络层数、损失函数和优化器。除此之外还有模型的训练次数、损失函数和优化器的若干参数等等。

步骤1.4：将测试集放入训练完成的模型中，观察预测结果。若结果达到要求则可将模型用于实践，若模型不符合要求则返回步骤1.2调整模型结构重新训练。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。