1.一种ai多因子选股方法,其特征在于,包括:
步骤1:整理因子数据,并搭建神经网络模型;
步骤2:将因子数据中的因子输入搭建的神经网络模型,输出不同因子的权重,选取权重绝对值大于预设值的因子作为有效因子;
步骤3:根据选取的有效因子,确定最终的神经网络模型;
步骤4:根据最终神经网络模型对股票进行打分,选出得分大于预设值的股票公司,记为市场表现较好的公司。
2.根据权利要求1所述的ai多因子选股方法,其特征在于,所述因子数据指可用于衡量公司质量的因子,包括:财务因子、技术面因子;
所述财务因子包括:市值、市盈率;
所述技术面因子包括:k线形态。
3.根据权利要求1所述的ai多因子选股方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:对全部因子数据进行标准化并分成训练集和测试集;
步骤1.2:搭建神经网络模型,设定神经元个数、神经网络层数、损失函数以及优化器;
步骤1.3:将训练集数据输入神经网络模型进行训练,根据训练集中的预测准确率对神经网络模型进行微调,使准确率达到预设要求;
步骤1.4:将测试集放入训练完成的模型中,观察预测结果,判断预测结果是否符合预设要求:若预测结果符合预设要求,则将搭建完成神经网络;若模型不符合预设要求,则对神经网络模型进行微调,返回步骤1.2继续执行。
4.根据权利要求3所述的ai多因子选股方法,其特征在于,所述步骤1.3:
所述微调指调制模型参数;
所述模型参数包括:神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。
5.一种ai多因子选股系统,其特征在于,包括:
模块1:整理因子数据,并搭建神经网络模型;
模块2:将因子数据中的因子输入搭建的神经网络模型,输出不同因子的权重,选取权重绝对值大于预设值的因子作为有效因子;
模块3:根据选取的有效因子,确定最终的神经网络模型;
模块4:根据最终神经网络模型对股票进行打分,选出得分大于预设值的股票公司,记为市场表现较好的公司。
6.根据权利要求5所述的ai多因子选股系统,其特征在于,所述因子数据指可用于衡量公司质量的因子,包括:财务因子、技术面因子;
所述财务因子包括:市值、市盈率;
所述技术面因子包括:k线形态。
7.根据权利要求6所述的ai多因子选股系统,其特征在于,所述模块1包括如下模块:
模块1.1:对全部因子数据进行标准化并分成训练集和测试集;
模块1.2:搭建神经网络模型,设定神经元个数、神经网络层数、损失函数以及优化器;
模块1.3:将训练集数据输入神经网络模型进行训练,根据训练集中的预测准确率对神经网络模型进行微调,使准确率达到预设要求;
模块1.4:将测试集放入训练完成的模型中,观察预测结果,判断预测结果是否符合预设要求:若预测结果符合预设要求,则将搭建完成神经网络;若模型不符合预设要求,则对神经网络模型进行微调,调用模块1.2。
8.根据权利要求7所述的ai多因子选股系统,其特征在于,所述模块1.3:
所述微调指调制模型参数;
所述模型参数包括:神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的ai多因子选股方法的步骤。