一种基于深度学习的决策评估方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于深度学习的决策评估方法及系统。

背景技术：

1、金融市场作为一个复杂且动态的系统，受多种因素的影响，如宏观经济环境、公司基本面数据、技术指标等。传统的金融决策评估方法往往过于依赖专业分析师的主观判断，缺乏智能化和系统性的分析手段。同时，金融市场的数据量庞大，特征复杂，传统统计方法和规则性交易策略很难充分挖掘数据中的潜在规律和特征，从而影响了决策的准确性和交易策略的盈利能力。深度学习技术能够从大规模金融数据中提取有用的特征，构建复杂的模型来捕捉市场的非线性关系，从而改善决策评估的准确性。强化学习技术可以让智能体根据与环境的交互学习最优策略，实现自适应和智能化的交易决策。

2、然而，现有技术中金融市场的数据往往存在不平衡问题，如正负样本不均衡、长期稳定市场和短期波动市场的数据分布不均。这会影响模型的泛化能力和决策评估的准确性。深度学习模型在应对大规模数据时容易出现过拟合问题，尤其是在数据样本量较小的情况下，模型的泛化性能有限。

技术实现思路

1、本发明提供了一种基于深度学习的决策评估方法及系统，用于提高基于深度学习的决策评估的效率及准确率。

2、本发明第一方面提供了一种基于深度学习的决策评估方法，所述基于深度学习的决策评估方法包括：

3、采集历史金融数据，并对所述历史金融数据进行标准化处理，得到标准化金融数据；

4、对所述标准化金融数据进行特征提取，得到金融特征集合，其中，所述金融特征集合包括移动平均线、相对强弱指标以及布林带，并通过所述金融特征集合对所述历史金融数据进行基本面数据提取，得到目标基本面数据；

5、将所述金融特征集合以及所述目标基本面数据输入预置的编码器进行潜在向量映射，并输出初始潜在向量，同时，对所述初始潜在向量进行指标数据提取，得到所述初始潜在向量的指标数据集；

6、对所述指标数据集进行数据状态分析，确定目标数据状态，并对所述目标数据状态进行交易策略分析，得到初始交易策略；

7、通过强化学习算法对所述初始交易策略进行用户行为预测，得到初始用户行为，并通过所述初始用户行为进行值函数构建，得到目标值函数；

8、通过所述目标值函数对所述初始潜在向量进行重采样，得到目标潜在向量，并将所述目标潜在向量输入预置的解码器进行数据重构，得到目标数据样本，通过所述目标数据样本对所述初始交易策略进行策略更新，得到目标交易策略。

9、结合第一方面，在本发明第一方面的第一实施方式中，所述对所述标准化金融数据进行特征提取，得到金融特征集合，其中，所述金融特征集合包括移动平均线、相对强弱指标以及布林带，并通过所述金融特征集合对所述历史金融数据进行基本面数据提取，得到目标基本面数据，包括：

10、对所述标准化金融数据进行时间窗口划分，得到所述标准化金融数据对应的多个时间窗口；

11、对多个所述时间窗口进行筛选，得到目标时间窗口，并通过所述目标时间窗口进行移动平均值计算，得到移动平均值集合；

12、通过所述移动平均值集合进行平均线构建，得到所述移动平均线；

13、基于所述移动平均线对所述标准化金融数据进行指标数据计算，得到所述相对强弱指标；

14、基于所述移动平均线以及所述相对强弱指标，对所述标准化金融数据进行布林带分析，确定所述布林带；

15、对所述移动平均线、所述相对强弱指标以及所述布林带进行数据权重分析，确定权重数据集合；

16、通过所述权重数据集合对所述移动平均线、所述相对强弱指标以及所述布林带进行数据加权融合，得到融合特征；

17、基于所述融合特征对所述历史金融数据进行基本面数据提取，得到目标基本面数据。

18、结合第一方面，在本发明第一方面的第二实施方式中，所述将所述金融特征集合以及所述目标基本面数据输入预置的编码器进行潜在向量映射，并输出初始潜在向量，同时，对所述初始潜在向量进行指标数据提取，得到所述初始潜在向量的指标数据集，包括：

19、对所述金融特征集合以及所述目标基本面数据进行数据转换，得到目标张量数据；

20、将所述目标张量数据输入所述编码器进行前向传播，得到候选潜在向量；

21、对所述候选潜在向量进行向量均值提取，得到候选均值，同时，对所述候选潜在向量进行向量标准差提取，得到候选标准差；

22、基于所述候选均值以及所述候选标准差，对所述候选潜在向量进行随机采样处理，得到所述初始潜在向量；

23、对所述初始潜在向量进行指标数据提取，得到所述初始潜在向量的指标数据集。

24、结合第一方面的第二实施方式，在本发明第一方面的第三实施方式中，所述对所述初始潜在向量进行指标数据提取，得到所述初始潜在向量的指标数据集，包括：

25、获取预置的指标数据类型，并通过所述指标数据类型进行数据进行数据提取逻辑分析，得到数据提取逻辑；

26、通过所述数据提取逻辑构建数据提取函数，得到对应的目标数据提取函数；

27、通过所述目标数据提取函数对所述初始潜在向量进行指标数据提取，得到所述初始潜在向量的指标数据集。

28、结合第一方面，在本发明第一方面的第四实施方式中，所述对所述指标数据集进行数据状态分析，确定目标数据状态，并对所述目标数据状态进行交易策略分析，得到初始交易策略，包括：

29、对所述指标数据集进行数据折线图构建，得到所述指标数据集对应的数据折线图；

30、对所述数据折线图进行数据波动分析，得到数据波动趋势，同时，对所述指标数据集进行统计特征分析，得到对应的统计特征数据；

31、对所述统计特征数据进行数据分布分析，确定所述指标数据集对应的数据分布信息；

32、基于所述数据波动趋势以及所述数据分布信息，对所述指标数据集进行数据状态分析，得到所述目标数据状态；

33、对所述目标数据状态进行交易策略分析，得到初始交易策略。

34、结合第一方面，在本发明第一方面的第五实施方式中，所述通过强化学习算法对所述初始交易策略进行用户行为预测，得到初始用户行为，并通过所述初始用户行为进行值函数构建，得到目标值函数，包括：

35、对所述金融特征集合以及所述基本面数据进行状态维度分析，得到初始状态维度；

36、通过稀疏表示算法对所述初始状态维度进行维度更新，得到目标状态维度；

37、基于所述目标状态维度进行动作空间构建，得到目标动作空间；

38、基于所述目标动作空间，对所述初始交易策略进行用户行为预测，得到所述初始用户行为；

39、通过所述用户行为进行值函数构建，得到所述目标值函数。

40、结合第一方面，在本发明第一方面的第六实施方式中，所述通过所述目标值函数对所述初始潜在向量进行重采样，得到目标潜在向量，并将所述目标潜在向量输入预置的解码器进行数据重构，得到目标数据样本，通过所述目标数据样本对所述初始交易策略进行策略更新，得到目标交易策略，包括：

41、通过值函数近似算法对所述初始潜在向量进行采样参数分析，得到采样参数集合，其中，所述采样参数集合包括：采样次数以及采样步长；

42、基于所述采样参数集合，通过所述目标值函数对所述初始潜在向量进行重采样，得到目标潜在向量；

43、通过反向传播算法，将所述目标潜在向量输入所述解码器进行数据反向传播计算，得到所述目标数据样本；

44、对所述目标数据样本进行策略参数匹配，得到与所述目标数据样本对应的策略参数集合；

45、通过所述策略参数集合对所述初始交易策略进行策略更新，得到所述目标交易策略。

46、本发明第二方面提供了一种基于深度学习的决策评估系统，所述基于深度学习的决策评估系统包括：

47、所述通过所述目标值函数对所述初始潜在向量进行重采样，得到目标潜在向量，并将所述目标潜在向量输入预置的解码器进行数据重构，得到目标数据样本，通过所述目标数据样本对所述初始交易策略进行策略更新，得到目标交易策略，包括：

48、通过值函数近似算法对所述初始潜在向量进行采样参数分析，得到采样参数集合，其中，所述采样参数集合包括：采样次数以及采样步长；

49、基于所述采样参数集合，通过所述目标值函数对所述初始潜在向量进行重采样，得到目标潜在向量；

50、通过反向传播算法，将所述目标潜在向量输入所述解码器进行数据反向传播计算，得到所述目标数据样本；

51、对所述目标数据样本进行策略参数匹配，得到与所述目标数据样本对应的策略参数集合；

52、通过所述策略参数集合对所述初始交易策略进行策略更新，得到所述目标交易策略。

53、本发明第三方面提供了一种基于深度学习的决策评估设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于深度学习的决策评估设备执行上述的基于深度学习的决策评估方法。

54、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于深度学习的决策评估方法。

55、本发明提供的技术方案中，通过对历史金融数据进行标准化处理，能够使不同类型的金融数据处于相同的数值范围，有利于后续特征提取和模型训练的稳定性和收敛性。通过提取移动平均线、相对强弱指标以及布林带等金融特征，能够捕捉金融市场的趋势和波动，通过金融特征集合对历史金融数据进行基本面数据提取，能够获得更丰富的公司基本面信息，通过预置的编码器对金融特征集合和目标基本面数据进行潜在向量映射，能够将原始数据转换为潜在表示，从而提取出数据的重要特征。对初始潜在向量进行指标数据提取，能够从潜在空间中获取有关数据状态和市场特征的信息，为后续交易策略分析提供更全面的指导。通过对指标数据集进行数据状态分析，能够了解数据的状态和市场趋势，有助于确定交易策略的方向和目标。以进一步提升基于深度学习的决策评估的效率和准确率。