一种基于大数据的交易方法及其系统与流程

本发明涉及数据处理，具体涉及一种基于大数据的交易方法及其系统。

背景技术：

1、在传统的金融市场交易中，决策往往依赖于人工分析、经验和直觉，然而，随着大数据和先进数据分析技术的发展，这种方法逐渐显示出局限性；传统的技术分析和基本面分析可能无法及时捕捉到市场动态变化。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了一种基于大数据的交易方法及其系统。

2、本发明第一方面提供一种基于大数据的交易方法及其系统，所述基于大数据的交易方法包括以下步骤：

3、从多个金融数据源收集实时金融数据和历史金融数据，对所述历史金融数据进行数据清洗和预处理，得到预处理的历史金融数据；

4、从预处理的历史金融数据中提取交易决策的关键影响因素，得到目标特征数据，其中所述关键影响因素至少包括市场价格、成交量、宏观经济指标；

5、将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，并采用灰狼算法优化所述初始神经网络模型，得到交易预测模型；

6、将所述实时金融数据输入训练得到的所述交易预测模型，通过所述交易预测模型识别市场模式和预测价格走势，并输出交易预测结果，基于所述交易预测结果生成交易建议。

7、可选的，在本发明第一方面的第一种实现方式中，所述从多个金融数据源收集实时金融数据和历史金融数据，对所述历史金融数据进行数据清洗和预处理，得到预处理的历史金融数据，包括：

8、获取历史金融数据，对所述历史金融数据进行数据清洗处理，得到金融数据序列；

9、在所述金融数据序列中添加正负成对的辅助白噪声，得到新的数据序列，对新的数据序列进行n次emd分解，得到n个第一阶分量imf1，计算最终分量的第一阶残差；

10、继续将emd分解得到的正负成对白噪声imf信号加入第一阶残差中构成信号，进行n次分解，得到第二阶分量imf2，计算最终分量的第二阶残差；

11、重复分解，以获得n个k+1阶的分量imfk，计算最终分量的第k+1阶分量残差，当剩余分量极值点个数少于2个时，得到k个imf分量以及最终的剩余残差，以完成噪声处理，得到预处理的历史金融数据。

12、可选的，在本发明第一方面的第二种实现方式中，所述获取历史金融数据，对所述历史金融数据进行数据清洗处理，得到金融数据序列，包括：

13、获取历史金融数据，检查并填充所述历史金融数据中的缺失值，得到第一金融数据；

14、使用格拉布斯准则对所述第一金融数据进行分检处理，并剔除异常数据，得到第二金融数据；

15、按照时间顺序对所述第二金融数据进行排序，构建金融数据序列。

16、可选的，在本发明第一方面的第三种实现方式中，所述从预处理的历史金融数据中提取交易决策的关键影响因素，得到目标特征数据，包括：

17、将预处理的历史金融数据中的所有指标转化为效益型指标，当x'为成本型指标，则效益型指标为x＝1/x'；

18、设影响因素矩阵为x＝(xti)m×n，目标指标矩阵为y＝(yt)1×m，对影响因素矩阵和目标指标矩阵进行归一化处理，得到和其中m表示预处理的历史金融数据序列长度，n表示影响因素个数；

19、使用单隐藏层神经网络构建bp神经网络模型，将和分别作为bp神经网络模型的输入、输出，使用matlab得到输人层与隐藏层的权重w＝(wt)n×l、隐藏层与输出层的权重向量w＝(wt)l×1，其中l表示隐藏层神经元个数；

20、计算整体的权重向量ω＝mean((|wt|)n×l(|w|t)l×1)，通过bp神经网络模型得到目标特征数据。

21、可选的，在本发明第一方面的第四种实现方式中，将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，并采用灰狼算法优化所述初始神经网络模型，得到交易预测模型，包括：

22、将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，其中所述初始神经网络模型基于gru神经网络构建；

23、初始化所述初始神经网络模型的参数，利用tent混沌序列初始化灰狼种群，设定最大迭代次数m，当前迭代次数i＝0；

24、计算所有个体适应度确定灰狼个体身份并记录位置信息，调整收敛因子并更新协同系数，更新灰狼个体位置；

25、对灰狼种群执行变异、交叉、选择操作，并更新灰狼个体位置，判断是否达到最大迭代次数，若是则将输出的最优超参数赋给所述初始神经网络模型，得到交易预测模型，若否则继续进行迭代。

26、可选的，在本发明第一方面的第五种实现方式中，将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，包括：

27、将所述目标特征数据输入初始神经网络模型中，根据上一层网络传输来的状态ht-1和当前节点的输入xt获取gru网络两个门控信息，得到当前网络层的重置门rt和更新门zt：

28、rt＝σ(wr[ht-1,xt])

29、zt＝σ(wz[ht-1,xt])

30、式中，σ表示sigmoid激活函数，wr、wz表示重置门、更新门的权重矩阵；

31、对重置门数据进行信号筛选，如果重置门中元素值接近0，则重置门对应的隐藏信息舍弃，重置门的信号筛选为：

32、

33、式中，w表示重置筛选过程使用的权重矩阵；

34、计算得到gru模型的网络输出

35、本发明第二方面提供了一种基于大数据的交易系统，所述基于大数据的交易系统包括数据预处理模块、提取模块、训练模块和输出模块，其中，

36、数据预处理模块，用于从多个金融数据源收集实时金融数据和历史金融数据，对所述历史金融数据进行数据清洗和预处理，得到预处理的历史金融数据；

37、提取模块，用于从预处理的历史金融数据中提取交易决策的关键影响因素，得到目标特征数据，其中所述关键影响因素至少包括市场价格、成交量、宏观经济指标；

38、训练模块，用于将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，并采用灰狼算法优化所述初始神经网络模型，得到交易预测模型；

39、输出模块，用于将所述实时金融数据输入训练得到的所述交易预测模型，通过所述交易预测模型识别市场模式和预测价格走势，并输出交易预测结果，基于所述交易预测结果生成交易建议。

40、可选的，在本发明第一方面的第六种实现方式中，所述数据预处理模块包括获取子模块、第一emd分解子模块、第二emd分解子模块和噪声处理子模块，其中，

41、获取子模块，用于获取历史金融数据，对所述历史金融数据进行数据清洗处理，得到金融数据序列；

42、第一emd分解子模块，用于在所述金融数据序列中添加正负成对的辅助白噪声，得到新的数据序列，对新的数据序列进行n次emd分解，得到n个第一阶分量imf1，计算最终分量的第一阶残差；

43、第二emd分解子模块，用于继续将emd分解得到的正负成对白噪声imf信号加入第一阶残差中构成信号，进行n次分解，得到第二阶分量imf2，计算最终分量的第二阶残差；

44、噪声处理子模块，用于重复分解，以获得n个k+1阶的分量imfk，计算最终分量的第k+1阶分量残差，当剩余分量极值点个数少于2个时，得到k个imf分量以及最终的剩余残差，以完成噪声处理，得到预处理的历史金融数据。

45、可选的，在本发明第一方面的第六种实现方式中，所述提取模块包括转化子模块、归一化处理子模块、构建子模块和计算子模块，其中，

46、转化子模块，用于将预处理的历史金融数据中的所有指标转化为效益型指标，当x'为成本型指标，则效益型指标为x＝1/x'；

47、归一化处理子模块，用于设影响因素矩阵为x＝(xti)m×n，目标指标矩阵为y＝(yt)1×m，对影响因素矩阵和目标指标矩阵进行归一化处理，得到和其中m表示预处理的历史金融数据序列长度，n表示影响因素个数；

48、构建子模块，用于使用单隐藏层神经网络构建bp神经网络模型，将和分别作为bp神经网络模型的输入、输出，使用matlab得到输人层与隐藏层的权重w＝(wt)n×l、隐藏层与输出层的权重向量w＝(wt)l×1，其中l表示隐藏层神经元个数；

49、计算子模块，用于计算整体的权重向量ω＝mean((|wt|)n×l(|w|t)l×1)，通过bp神经网络模型得到目标特征数据。

50、本发明提供的技术方案中，从多个金融数据源收集实时金融数据和历史金融数据，对所述历史金融数据进行数据清洗和预处理，得到预处理的历史金融数据，从预处理的历史金融数据中提取交易决策的关键影响因素，得到目标特征数据，将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，并采用灰狼算法优化所述初始神经网络模型，得到交易预测模型，将所述实时金融数据输入训练得到的所述交易预测模型，通过所述交易预测模型识别市场模式和预测价格走势，并输出交易预测结果，基于所述交易预测结果生成交易建议；本发明显著提高交易决策的智能化水平，减少人为因素带来的偏差，降低交易风险。

技术特征：

1.一种基于大数据的交易方法，其特征在于，所述基于大数据的交易方法包括以下步骤：

2.如权利要求1所述的一种基于大数据的交易方法，其特征在于，所述从多个金融数据源收集实时金融数据和历史金融数据，对所述历史金融数据进行数据清洗和预处理，得到预处理的历史金融数据，包括：

3.如权利要求2所述的一种基于大数据的交易方法，其特征在于，所述获取历史金融数据，对所述历史金融数据进行数据清洗处理，得到金融数据序列，包括：

4.如权利要求1所述的一种基于大数据的交易方法，其特征在于，所述从预处理的历史金融数据中提取交易决策的关键影响因素，得到目标特征数据，包括：

5.如权利要求1所述的一种基于大数据的交易方法，其特征在于，将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，并采用灰狼算法优化所述初始神经网络模型，得到交易预测模型，包括：

6.如权利要求5所述的一种基于大数据的交易方法，其特征在于，将所述目标特征数据输入初始神经网络模型中，通过所述目标特征数据对所述初始神经网络模型进行训练，包括：

7.一种用于实现如权利要求1所述的基于大数据的交易方法的基于大数据的交易系统，其特征在于，所述基于大数据的交易系统包括数据预处理模块、提取模块、训练模块和输出模块，其中，

8.如权利要求7所述的一种基于大数据的交易系统，其特征在于，所述数据预处理模块包括获取子模块、第一emd分解子模块、第二emd分解子模块和噪声处理子模块，其中，

9.如权利要求7所述的一种基于大数据的交易系统，其特征在于，所述提取模块包括转化子模块、归一化处理子模块、构建子模块和计算子模块，其中，

技术总结
本发明涉及数据处理技术领域，公开了一种基于大数据的交易方法及其系统，从多个金融数据源收集实时金融数据和历史金融数据，对所述历史金融数据进行数据清洗和预处理，得到预处理的历史金融数据，从预处理的历史金融数据中提取交易决策的关键影响因素，得到目标特征数据，将所述目标特征数据输入初始神经网络模型中，对所述初始神经网络模型进行训练，采用灰狼算法优化所述初始神经网络模型，得到交易预测模型，将所述实时金融数据输入训练得到的所述交易预测模型，识别市场模式和预测价格走势，并输出交易预测结果，基于所述交易预测结果生成交易建议；本发明显著提高交易决策的智能化水平，减少人为因素带来的偏差，降低交易风险。

技术研发人员：余海涛,丁明
受保护的技术使用者：江苏大泰信息技术有限公司
技术研发日：
技术公布日：2024/9/23