[发明专利]股票收益率预测方法、装置、电子设备及介质

说明书

本公开提供了一种股票收益率预测方法，涉及人工智能技术领域。该方法包括：获取多个历史时段的原始股票特征数据，将原始股票特征数据拆分为训练数据集和测试数据集；对训练数据集进行特征工程处理，得到标准样本集；根据预设分批策略对标准样本集进行分批，得到每批标准样本集；分别以按日分批的收益率的秩和隐因子层的相关系数为目标函数，将每批标准样本集输入股票收益率预测模型进行训练，得到训练好的股票收益率预测模型。本公开还提供了一种股票收益率预测装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能技术领域，具体涉及量化投资技术领域，更具体地涉及一种股票收益率预测方法、装置、电子设备及介质。

背景技术

在量化投资中，主要是通过择时和选股，来设计自己的换仓策略，已达到股票收益的最大化，其中选股主要通过挖掘出d因子或聪明β对股票收益率做出准确的预测。股票收益率预测不仅需要对模型的可解释性提出要求，以避免过多的人为因素的干扰，也需要对模型的可分析或可对比性提出要求，以避免主观因素带来的营私舞弊风险。

目前流行的股票收益率预测主要采用线性回归或循环神经网络方法，但是两者各有各的弊端，需要进一步优化。例如，线性回归通过几个因子的算术平均值或者加权平均值完成对收益率的预测，各个因子的线性贡献是明确的，天然具备很高的可解释性，但是线性回归依赖因子的质量，而且其对高维空间高维特征的拟合能力十分有限，具体例如线性回归模型的适用场景随着风格轮动或者行业轮动而一直在变化。又例如，循环神经网络通过高维函数的方式，对收益率的预测具备超高维数据拟合的能力，能够挖掘出很多线性方法无法识别的规律，但是其“黑盒特性”使得其在行业应用存在较大的可控性风险，无法得到相关人员的信任。

随着资产管理行业在金融科技领域投入的持续加大，AT(ArtificialIntelligence，人工智能)算法在量化投资领域的应用越来越成为研究热点。

发明内容

针对现有技术的上述不足，本公开提供一种股票收益率预测方法、装置、电子设备及介质。

根据本公开的第一个方面，提供了一种股票收益率预测方法，包括：获取多个历史时段的原始股票特征数据，将原始股票特征数据拆分为训练数据集和测试数据集；对训练数据集进行特征工程处理，得到标准样本集；根据预设分批策略对标准样本集进行分批，得到每批标准样本集；分别以按日分批的收益率的秩和隐因子层的相关系数为目标函数，将每批标准样本集输入股票收益率预测模型进行训练，得到训练好的股票收益率预测模型。

本公开的第二方面提供了一种股票收益率预测装置，包括：数据获取模块，用于获取多个历史时段的原始股票特征数据，将原始股票特征数据拆分为训练数据集和测试数据集；特征工程处理模块，用于对训练数据集进行特征工程处理，得到标准样本集；样本分批模块，用于根据预设分批策略对标准样本集进行分批，得到每批标准样本集；模型训练模块，用于分别以按日分批的收益率的秩和隐因子层的相关系数为目标函数，将每批标准样本集输入股票收益率预测模型进行训练，得到训练好的股票收益率预测模型。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述股票收益率预测方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述股票收益率预测方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述股票收益率预测方法。

与现有技术相比，本公开提供的股票收益率预测方法、装置、电子设备及介质，至少具有以下有益效果：

(1)本公开克服已有的线性回归和循环神经网络(Recurrent NeuralNetwork，RNN)的缺点并整合两者的优点，对学习目标做进一步优化，提升了对股票特征的拟合能力。