基于自主学习的机器人训练方法技术

本发明专利技术提供一种基于自主学习的机器人训练方法，所述方法包括：101、构建训练交易机器人的第一数据库，所述第一数据库包括：训练集、验证集、测试集；102、对所述第一数据库进行预处理，获取第一数据库中的正样本和负样本；103、采用用户初始信息、正样本和负样本训练机器人的交易模型。上述方案能够根据第一数据库的信息进行自主学习，并进行训练交易模型，以便使用训练的交易模型为用户提供更合理的交易信息。

【技术实现步骤摘要】
基于自主学习的机器人训练方法
本专利技术涉及计算机技术，具体涉及一种基于自主学习的机器人训练方法。
技术介绍
股票的价格都是实时波动的，在股票交易过程中，往往是基于人的主观决策或者在股票价格下跌时来做出选股及购买行为，这样的选股行为并非是基于对股票后续价格走势的预测来做出的，因为可能存在较大的投资风险。为了构建并采取适当的投资组合策略，以实现一种较为稳健的理性投资方式，机器学习技术在证券投资领域的应用，尤其是在投资组合的选择与入市时机的确定方面的应用，例如可基于对股票价格波动的预测来进行选股及择时入股，已被应用于股票购买行为的决策过程中。为此，如何通过机器人自主学习巡礼股票交易模型成为当前需要解决的问题。
技术实现思路
针对现有技术中的问题，本专利技术提供一种基于自主学习的机器人训练方法。第一方面，本专利技术提供一种基于自主学习的机器人训练方法，其特征在于，包括：S1、构建训练交易机器人的第一数据库，所述第一数据库包括：训练集、验证集、测试集；S2、对所述第一数据库进行预处理，获取第一数据库中的正样本和负样本；S3、采用用户初始信息、正样本和负样本训练机器人的交易模型。可选地，所述方法还包括：S4、机器人采用训练后的交易模型按照用户指令进行股票交易。可选地，所述训练集包括：所述各类型股票在第一预设时间段内的交易参数信息；所述测试集包括：各类型股票在第二预设时间段内的交易参数信息；所述验证集包括：各类型股票在第三预设时间段内的交易参数信息；所述第三预设时间段与所述第一预设时间段、第二预设时间段有交集，所述第一预设时间段与所述第二预设时间段无交集。可选地，所述第一数据库中的每一支股票具有特征数据，所述特征数据包括下述的一种或多种：股价最高点、股价最低点、带单功能、日K圽线指标开关、1分钟圽线指标开关、5分钟圽线指标开关、1小时圽线指标开关、和/或MA系统控制开关。可选地，在步骤S2之前，所述方法还包括：针对第一数据库中的每一只股票，采集第一预设时间段内、第二预设时间段和第三预设时间段内新闻客户端或新闻网站上的与该股票相关的新闻数据；对采集的新闻数据进行分析，获取每支股票的消息数据；相应地，所述步骤S2的正样本包括：依据所述消息数据、每一支股票的特征数据，将第一数据库中的每一支股票确定为正样本或负样本。可选地，所述交易模型为采用深度学习方式建立的股票交易模型。本专利技术具有的有益效果如下：本专利技术的方法可通过数据集结合交易模型训练机器人，选择合适的参数，以便机器人能够实现自主学习的交易训练，根据交易模型进行合理的股票交易，为用户提供更合理的交易信息。进一步地，本专利技术方法中的执行主体可为股票交易机器人，该机器人具有自主学习功能，能够在任一用户可接受的时间段内根据交易信息对该交易信息对应的历史数据、用户数据等进行学习。附图说明图1为本专利技术一种实施例提供的基于自主学习的机器人训练方法的流程示意图；图2为本专利技术另一实施例提供的基于自主学习的机器人训练方法的流程示意图；图3A为本专利技术一种实施例提供的基于自主学习的机器人操作方法的流程示意图；图3B为本专利技术另一实施例提供的基于自主学习的机器人操作方法的流程示意图；图3C为本专利技术一实施例提供的参数信息的示意图；图4A至图4F为本专利技术一实施例提供的多个交易模型的示意图。具体实施方式为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作详细描述。本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。图1示出了本专利技术一实施例提供的基于自主学习的机器人训练方法的流程示意图，如图1所示，本实施例的方法包括如下步骤：S1、构建训练交易机器人的第一数据库，所述第一数据库包括：训练集、验证集、测试集。本实施例中第一数据库可以包括多只股票，针对训练集中有的股票，验证集和测试集必须有。验证集和测试集中股票的时间段和训练集中股票的时间段可以有交叠，但不能完全一致。本实施例的第一数据库用于训练交易机器人的交易模型，以便选取最合适的交易参数供用户使用。S2、对所述第一数据库进行预处理，获取第一数据库中的正样本和负样本。S3、采用用户初始信息、正样本和负样本训练机器人的交易模型。例如训练机器人的交易模型对选定的股票的交易参数。可选地，所述方法还包括：S4、机器人采用训练后的交易模型按照用户指令进行股票交易。训练后的交易模型是指使用训练后的交易参数和交易模型一并按照用户指令进行股票交易。本实施例中，训练集可包括：所述各类型股票在第一预设时间段内的交易参数信息；所述测试集包括：各类型股票在第二预设时间段内的交易参数信息；所述验证集包括：各类型股票在第三预设时间段内的交易参数信息；所述第三预设时间段与所述第一预设时间段、第二预设时间段有交集，所述第一预设时间段与所述第二预设时间段无交集。另外，所述第一数据库中的每一支股票具有特征数据，所述特征数据包括下述的一种或多种：股价最高点、股价最低点、带单功能、日K圽线指标开关、1分钟圽线指标开关、5分钟圽线指标开关、1小时圽线指标开关、和/或MA系统控制开关。进一步地，参见图2所示，在步骤S2之前，所述方法还包括：S0、针对第一数据库中的每一只股票，采集第一预设时间段内、第二预设时间段和第三预设时间段内新闻客户端或新闻网站上的与该股票相关的新闻数据；对采集的新闻数据进行分析，获取每支股票的消息数据。例如，在本实施例中采集并存储网络社交平台上的用户内容，提取与检索关键词匹配的用户内容，检索关键词可理解为第一数据库中的各个股票的相关代码或代表性词语如股票名称、负责人名称；对提取出的用户内容进行分析，分别获取上述消息数据之外的补充消息数据。例如，采用自然语言分析技术和情感切分方式对收集的新闻数据和用户内容进行处理，以便获取正向消息数据和负向消息数据。进一步地，还可以依据上述新闻数据和用户内容，确定股票的关注热度。本实施例中采用爬虫抓取新闻客户端或新闻网站上发布的海量数据，对数据进行去噪声、补缺等预处理。本实施例中除上述S0之外，上述的步骤S2的正样本包括：依据所述消息数据、每一支股票的特征数据，将第一数据库中的每一支股票确定为正样本或负样本。也就是说，本实施例中先进行基础数据收集和准备，然后对第一数据库中的每一交易股票的一段时期内的成交进行聚类分析，以区分主力资金和非主力资金，以及该股票的其他信息等。例如，采用K-means算法对每日的每笔成交资金自动聚类。获取一段时期内的主力资金参与比例及主力资金与新闻之间的关系，以及获取一段时期内主力净流入资金序列与股票涨跌幅序列之间的相关性，以及计算主力控盘能力并跟踪控盘能力的变化趋势，进而训练这只股票的交易模型的参数，以便在后期用户交易这只股票时，直接只用这些参数进行处理预测。举例来说，所述交易模型为采用深度学习方式建立的股票交易模型。该交易模型供大脑系统实时调用。上述的交易模型在实战中或电脑程序化交易的设计中如何保证投资者在交易中风险为零和资金最大化。上述训练的机器人可以随时买进，机器人会自动根据市场波动自动加减仓，即使本文档来自技高网...

【技术保护点】
1.一种基于自主学习的机器人训练方法，其特征在于，包括：S1、构建训练交易机器人的第一数据库，所述第一数据库包括：训练集、验证集、测试集；S2、对所述第一数据库进行预处理，获取第一数据库中的正样本和负样本；S3、采用用户初始信息、正样本和负样本训练机器人的交易模型。

【技术特征摘要】
1.一种基于自主学习的机器人训练方法，其特征在于，包括：S1、构建训练交易机器人的第一数据库，所述第一数据库包括：训练集、验证集、测试集；S2、对所述第一数据库进行预处理，获取第一数据库中的正样本和负样本；S3、采用用户初始信息、正样本和负样本训练机器人的交易模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：S4、机器人采用训练后的交易模型按照用户指令进行股票交易。3.根据权利要求1所述的方法，其特征在于，所述训练集包括：所述各类型股票在第一预设时间段内的交易参数信息；所述测试集包括：各类型股票在第二预设时间段内的交易参数信息；所述验证集包括：各类型股票在第三预设时间段内的交易参数信息；所述第三预设时间段与所述第一预设时间段、第二预设时间段有交集，所述第一预设时间段与所述第二预设时间段无交集。4....

【专利技术属性】
技术研发人员：周海筹，周云川，賴锡胤，杨金胜，
申请(专利权)人：东莞市波动赢机器人科技有限公司，
类型：发明
国别省市：广东,44