[发明专利]交易机器人分类模型的训练方法、电子设备和计算机存储介质

权利要求书

1.一种交易机器人分类模型的训练方法，其特征在于，所述方法，包括：

S101，交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格；

S102，分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值；

S103，交易机器人以包络值作为训练样本，通过k-means算法进行训练，得到分类模型。

2.根据权利要求1所述的方法，其特征在于，所述预设时间段为一年。

3.根据权利要求1所述的方法，其特征在于，所述S102的包络值通过如下公式得到：

E_i(t)＝a*[f_i(t)-f_i(t-1)]+log f_i(t)；

a＝0.05*min f_i(t)/max f_i(t)；

i为参数标识，参数为成交量或开盘价格或收盘价格或最高价格或最低价格，E_i(t)为t日i对应的包络值，f_i(t)为t日i的值。

4.根据权利要求1所述的方法，其特征在于，所述S103包括：

S103-1，对于任一股票n，将其第t日的成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值组成向量

S103-2，根据形成样本点；

S103-3，通过k-means算法对各样本点进行聚类，形成分类模型。

5.根据权利要求4所述的方法，其特征在于，所述103-2中每一个作为一个样本点。

6.根据权利要求5所述的方法，其特征在于，S103-3包括：

S103-3-1，从所有样本点中选择k个作为中心点；

S103-3-2，计算各样本点与格中心点之间的距离；

S103-3-3，将各样本点归入距离最近的中心点；

S103-3-4，重新计算中心点所在类的新中心点；

S103-3-5，重新计算各样本点与各新中心点之间的距离；

S103-3-6，将各样本点归入距离最近的新中心点；

S103-3-7，重复执行S103-3-4、S103-3-5和S103-3-6，直至新中心点与前一中心点的变化量小于预设值，形成分类模型。

7.根据权利要求6所述的方法，其特征在于，所述S103-3-2中任一样本点与任一中心点的距离D按下式计算：

A(n′,n″)为股票n′所属领域与股票n″所属领域之间的关联度；

B(t′,t″)为时间差系数；

8.根据权利要求7所述的方法，其特征在于，所述B(t′,t″)＝t′与t″之间的时间差/250。

9.一种电子设备，其特征在于，所述电子设备与交易机器人有线连接或者无线连接，所述电子设备包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器控制交易机器人执行所述程序时实现如权利要求1-8任意一项的步骤。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机存储介质与交易机器人有线连接或者无线连接，所述程序被处理器控制交易机器人执行时实现如权利要求1-8任意一项的步骤。