本申请公开了一种股票操作的预测方法及装置，在该方法中，将待预测股票的技术指标数据转换为对应的时间序列数组；将时间序列数组输入至预先训练的机器学习模型，获得待预测股票的操作预测结果，预先训练的机器学习模型是根据待预测股票的多个时间序列数组和每个时间序列数组对应的操作标签训练机器学习模型得到的，操作标签包括买入标签、卖出标签或观望标签。可见，该方法通过预先训练的深度模型能够同时得到多只待预测股票的操作预测结果，避免人工对多只股票进行预测，耗费时间较长，导致的股票操作的预测效率低的问题，能够提高股票操作的预测效率，从而及时对股票进行买卖操作。操作。操作。
【技术实现步骤摘要】
一种股票操作的预测方法及装置
[0001]本申请涉及股票
，尤其涉及一种股票操作的预测方法及装置。
技术介绍
[0002]股票根据不同的技术指标生成不同的曲线图，根据股票的曲线图和对应的基本规律能够分析短期内股票股价的涨跌趋势、涨跌幅度和涨跌强度等，以对股票进行对应的买卖操作。
[0003]现有技术中，通常是金融市场的交易员根据股票的多个技术指标对应的多个技术指标数据图表进行分析，再根据不同技术指标对应的基本规律，得到股票的操作预测结果。然而，在该股票操作的预测方法中，可能一个交易员负责多只股票，导致进行股票操作的预测时耗费时间较长，进而导致股票操作的预测效率低，影响股票的买卖操作。
[0004]因此，如何提高股票操作的预测效率，成为目前亟待解决的问题。
技术实现思路
[0005]有鉴于此，本申请实施例提供了一种股票操作的预测方法及装置，旨在提高股票操作的预测效率。
[0006]第一方面，本申请实施例提供了一种股票操作的预测方法，所述方法包括：
[0007]将待预测股票的技术指标数据转换为对应的时间序列数组；
[0008]将所述时间序列数组输入至预先训练的机器学习模型，获得所述待预测股票的操作预测结果，所述预先训练的机器学习模型是根据所述待预测股票的多个时间序列数组和每个时间序列数组对应的操作标签训练机器学习模型得到的，所述操作标签包括买入标签、卖出标签或观望标签。
[0009]可选地，所述将待预测股票的技术指标数据转换为对应的时间序列数组，包括：
[0010]将所述技术指标数据转换为对应的灰度图像；
[0011]获取所述灰度图像对应的图像强度矩阵；
[0012]将所述图像强度矩阵转换为所述时间序列数组。
[0013]可选地，所述技术指标数据具体为至少两种技术指标数据；所述将待预测股票的技术指标数据转换为对应的时间序列数组，具体为：
[0014]将所述至少两种技术指标数据转换为对应的至少两个时间序列数组；
[0015]所述将所述时间序列数组输入至预先训练的机器学习模型，获得所述待预测股票的操作预测结果，具体为：
[0016]将所述至少两个时间序列数组输入至所述预先训练的机器学习模型，获得所述操作预测结果。
[0017]可选地，所述技术指标数据包括：布林通道线指标数据、指数平滑移动平均线指标数据或相对强弱指标数据。
[0018]可选地，所述预先训练的机器学习模型通过如下方式获得，包括：
[0019]获取数据集，所述数据集包括所述待预测股票对应的多个时间序列数组和每个时间序列数组对应的操作标签；
[0020]将所述数据集分成训练数据集和测试数据集；
[0021]利用所述训练数据集训练机器学习模型，获得训练完成的机器学习模型；
[0022]利用所述测试数据集测试所述训练完成的机器学习模型，获得所述预先训练的机器学习模型。
[0023]可选地，所述获取数据集包括：
[0024]获取所述待预测股票的历史数据；
[0025]根据所述历史数据，获得待预测股票对应的多个技术指标数据；
[0026]获取所述多个技术指标数据对应的多个操作标签；
[0027]将所述多个技术指标数据转换为对应的多个时间序列数组；
[0028]将所述多个时间序列数组和每个时间序列数组对应的操作标签作为所述数据集。
[0029]第二方面，本申请实施例提供了一种股票操作的预测装置，所述装置包括：
[0030]转换模块，用于将待预测股票的技术指标数据转换为对应的时间序列数组；
[0031]获得模块，用于将所述时间序列数组输入至预先训练的机器学习模型，获得所述待预测股票的操作预测结果，所述预先训练的机器学习模型是根据所述待预测股票的多个时间序列数组和每个时间序列数组对应的操作标签训练机器学习模型得到的，所述操作标签包括买入标签、卖出标签或观望标签。
[0032]可选地，所述转换模块包括：
[0033]第一转换单元，用于将所述技术指标数据转换为对应的灰度图像；
[0034]第一获取单元，用于获取所述灰度图像对应的图像强度矩阵；
[0035]第二转换单元，用于将所述图像强度矩阵转换为所述时间序列数组。
[0036]可选地，所述转换模块的技术指标数据具体为至少两种技术指标数据；所述转换模块，具体用于将所述至少两种技术指标数据转换为对应的至少两个时间序列数组；
[0037]所述获得模块，具体用于将所述至少两个时间序列数组输入至所述预先训练的机器学习模型，获得所述操作预测结果。
[0038]可选地，所述股票操作的预测装置中的技术指标数据包括：布林通道线指标数据、指数平滑移动平均线指标数据或相对强弱指标数据。
[0039]可选地，所述获得模块中预先训练的机器学习模型通过如下单元获得，包括：
[0040]第二获取单元，用于获取数据集，所述数据集包括所述待预测股票对应的多个时间序列数组和每个时间序列数组对应的操作标签；
[0041]分成单元，用于将所述数据集分成训练数据集和测试数据集；
[0042]训练单元，用于利用所述训练数据集训练机器学习模型，获得训练完成的机器学习模型；
[0043]测试单元，用于利用所述测试数据集测试所述训练完成的机器学习模型，获得所述预先训练的机器学习模型。
[0044]可选地，所述第二获取单元包括：
[0045]第一获取子单元，用于获取所述待预测股票的历史数据；
[0046]获得子单元，用于根据所述历史数据，获得待预测股票对应的多个技术指标数据；
[0047]第二获取子单元，用于获取所述多个技术指标数据对应的多个操作标签；
[0048]转换子单元，用于将所述多个技术指标数据转换为对应的多个时间序列数组；
[0049]作为子单元，用于将所述多个时间序列数组和每个时间序列数组对应的操作标签作为所述数据集。
[0050]第三方面，本申请实施例提供了一种股票操作的预测设备，所述设备包括：
[0051]存储器，用于存储计算机程序；
[0052]处理器，用于执行所述计算机程序，以使所述设备执行前述第一方面所述的股票操作的预测方法。
[0053]第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，当所述计算机程序被运行时，运行所述计算机程序的设备实现前述第一方面所述的股票操作的预测方法。
[0054]相较于现有技术，本申请实施例具有以下有益效果：
[0055]本申请实施例提供了一种股票操作的预测方法及装置，在该方法中，将待预测股票的技术指标数据转换为对应的时间序列数组；将时间序列数组输入至预先训练的机器学习模型，获得待预测股票的操作预测结果，预先训练的机器学习模型是根据待预测股票的多个时间序列数组和每个时间序列数组对应的操作标签训练机器本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种股票操作的预测方法，其特征在于，所述方法包括：将待预测股票的技术指标数据转换为对应的时间序列数组；将所述时间序列数组输入至预先训练的机器学习模型，获得所述待预测股票的操作预测结果，所述预先训练的机器学习模型是根据所述待预测股票的多个时间序列数组和每个时间序列数组对应的操作标签训练机器学习模型得到的，所述操作标签包括买入标签、卖出标签或观望标签。2.根据权利要求1所述的方法，其特征在于，所述将待预测股票的技术指标数据转换为对应的时间序列数组，包括：将所述技术指标数据转换为对应的灰度图像；获取所述灰度图像对应的图像强度矩阵；将所述图像强度矩阵转换为所述时间序列数组。3.根据权利要求1所述的方法，其特征在于，所述技术指标数据具体为至少两种技术指标数据；所述将待预测股票的技术指标数据转换为对应的时间序列数组，具体为：将所述至少两种技术指标数据转换为对应的至少两个时间序列数组；所述将所述时间序列数组输入至预先训练的机器学习模型，获得所述待预测股票的操作预测结果，具体为：将所述至少两个时间序列数组输入至所述预先训练的机器学习模型，获得所述操作预测结果。4.根据权利要求1至3任意一项所述的方法，其特征在于，所述技术指标数据包括：布林通道线指标数据、指数平滑移动平均线指标数据或相对强弱指标数据。5.根据权利要求1所述的方法，其特征在于，所述预先训练的机器学习模型通过如下方式获得，包括：获取数据集，所述数据集包括所述待预测股票对应的多个时间序列数组和每个时间序列数组对应的操作标签；将所述数据集分成训练数据集和测试数据集；利用所述训练数据集训练机器学习模型，获得训练完成的机器学习模型；利用所述测试...
【专利技术属性】
技术研发人员：张仕杰，
申请(专利权)人：中银金融科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。