一种股票K线图像识别方法、装置、智能终端及存储介质与流程

本发明涉及图像识别技术领域，尤其涉及的是一种股票k线图像识别方法、存储介质及智能终端。

背景技术：

股票交易中，股民在进行交易前通常要对所买股票进行趋势研判，除了要考虑所要买卖的股票的基本面，往往还要研判股市大盘以及个股的近期走势，所参考的就是股票k线图。k线图又叫做日本蜡烛图，根据时间可以分为，日线、周线、月线、季线、年线以及小时线、分钟线等分时图。k线由当日开盘价、收盘价、最高价、最低价构成。

股民在研判k线图时，多数是所谓的右侧交易，就是当他们看到股价创出新高时才明白行情开始了，才开始去追股票，但是往往追到阶段高点，尤其是在面对短期波动的时候，这是股市中为什么只有少数人赚钱的根本原因。而已有的股票预测模型主要是基于股票数据并直接进行数值分析进行预测。由于股票的波动是各种因素影响所致，这其中包括市场大环境，基本面以及各方参与者的心理因素，导致直接进行数值分析预测的结果不准确。

因此，现有技术还有待于改进和发展。

技术实现要素：

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供股票k线图识别方法、装置、智能终端及存储介质，旨在解决现有技术中在对k线图研判时，掺杂过多的人为因素，分析结果不准确的问题。

本发明解决技术问题所采用的技术方案如下：

第一方面，本发明实施例提供股票k线图识别方法，所述方法包括：

获取待识别的股票k线图像；

采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别，得到与所述待识别的股票k线图像对应的分类识别结果；其中，所述股票k线图像识别模型为残差卷积网络模型。

优选地，所述的股票k线图像识别方法，所述股票k线图像识别模型为五分类的图像分类器，包括：卷积层、池化层、全连接层、丢弃层、批量正则化层和softmax层。

优选地，所述的股票k线图像识别方法，所述采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别的过程为：

通过所述卷积层对所述待识别的股票k线图像进行卷积操作，提取得到与所述待识别股票k线图像对应的各个特征；

通过所述池化层对所述各个特征进行降低维度，得到与每个所述特征各自对应的特征向量；

通过所述全连接层对所述各个特征向量进行非线性拟合并实现维度变换，经过非线性拟合以及维度变换后得到与每个所述特征各自对应的拟合特征向量；

通过所述丢弃层对各个所述拟合特征向量的每个元素进行随机置0，减少过拟合现象的发生；

通过批量正则化层对各个所述拟合特征向量进行正则化；

通过所述softmax层对各个所述拟合特征向量进行归一化，得到5个介于0到1之间的数字，分别表示将所述待识别的股票涨跌幅评级为1～5级的概率。

优选地，所述的股票k线图像识别方法，所述softmax层所用的目标函数是交叉熵损失函数。

优选地，所述的股票k线图像识别方法，所述采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别，其中，对股票k线图像识别模型训练的过程包括：

预先收集股市中所有股票的历史股票数据，生成k线图像数据集；

将所述k线图像数据集在时间尺度上按照比例8:1:1划分为训练数据集、验证数据集、测试数据集；

利用所述训练数据、验证数据集、测试数据集对股票k线图像识别模型进行训练，训练后的股票k线图像识别模型。

优选地，所述的股票k线图像识别方法，所述股票k线图像模型根据实时更新的股票数据进行增量学习；所述增量学习包括，实时获取更新的股票数据，将所述更新后的股票数据作为训练数据，输入股票k线图像识别模型中，对股票k线图像识别模型进行训练。

优选地，所述的股票k线图像识别方法，所述历史股票数据包括，股票当日的开盘价、股票当日的收盘价、股票当日的最高价、股票当日的最低价、股票当日的交易量以及股票当日的换手率。

第二方面，本发明实施例提供一种股票k线图像识别装置，所述装置包括：

获取单元，用于获取待识别的股票k线图像；

识别单元，用于采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别，得到与所述待识别的股票k线图像对应的分类识别结果；其中，所述股票k线图像识别模型为残差卷积网络模型。

优选地，所述用于图像识别的股票k线图像识别模型为五分类的图像分类器，包括：卷积层、池化层、全连接层、丢弃层、批量正则化层和softmax层。

优选地，所述识别单元具体用于：

通过所述卷积层对所述待识别的股票k线图像进行卷积操作，提取得到与所述待识别股票k线图像对应的各个特征；

通过所述池化层对所述各个特征进行降低维度，得到与每个所述特征各自对应的特征向量；

通过所述全连接层对所述各个特征向量进行非线性拟合并实现维度变换，经过非线性拟合以及维度变换后得到与每个所述特征各自对应的拟合特征向量；

通过所述丢弃层对各个所述拟合特征向量的每个元素进行随机置0，减少过拟合现象的发生；

通过批量正则化层对各个所述拟合特征向量进行正则化；

通过所述softmax层对各个所述拟合特征向量进行归一化，得到5个介于0到1之间的数字，分别表示将所述待识别的股票涨跌幅评级为1～5级的概率。

第三方面，本发明实施例提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行上述所述的方法。

第四方面，本发明实施例提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述所述的方法。

本发明的有益效果：本发明通过利用深度学习中的卷积神经网络技术，对股票数据进行智能识别，提取股票k线图的视觉特征，利用视觉特征预测股票未来趋势，提升了股票预测的准确率。为用户提供合理正确的交易提示。

附图说明

图1是本发明提供的股票k线图像识别方法的较佳实施例的流程图。

图2是本发明提供的股票k线图像识别方法的预测模型的流程图。

图3是本发明提供的股票k线图像识别方法的预测模型的网络结构图。

图4是本发明提供的股票k线图像识别装置的原理框图。

图5是本发明提供的智能终端的功能原理图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供的股票k线图识别方法，该方法可应用在智能终端。智能终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑。本发明的智能终端采用多核处理器。其中，终端的处理器可以为中央处理器(centralprocessingunit，cpu)，图形处理器(graphicsprocessingunit，gpu)、视频处理单元(videoprocessingunit，vpu)等中的至少一种。

由于现有技术中对股票k线图的识别研判，要么是利用右侧交易或者借助于各种指标，进行简单判断，要不就是借助炒股软件自带的基于股票数据并直接进行数值分析进行预测的股票模型。无论是采用哪种方式，所得到的结果准确率不高。

为了解决上述问题，在本发明实施例中，当需要对股票k线图进行研判获得投资(买卖股票)建议时，先获取历史股票数据如每日开盘价、收盘价、最高价、最低价、交易量和换手率等数据。将所获取到的数据生成用于待识别的k线图，将生成的待识别的k线图输入训练后的股票k线图像识别模型，对所述待识别股票k线图像进行识别，得到与所述待识别的股票k线图像对应的分类识别结果，根据识别结果给出操作建议。由于利用视觉特征进行预测，提升了识别结果的准确率，解决了现有技术中上述的技术问题。

举例说明，以2017年1月18日a股市场中的上证指数(000001)，即所谓的大盘，前60个交易日的股票数据转化为k线图像，所述k线图像的大小为224乘224像素，双色(涨为红色，跌为绿色)。将转化后的k线图像输入到训练后的残差卷积网络股票k线图像识别模型中，得出分类识别结果，其中，所述分类结果为五分类法，即对于收盘日期为第60天的k线图，我们用其未来61-70天的收益率按照收益率从高到低分为5个等级，按照收益的高低分为1-5等级。第一等级为收益率最高的等级，第二等级次之，以此类推第五等级为收益率最低的等级。用户可根据分类识别结果的等级进行有针对性的买、卖股票。

下面结合附图，详细说明本发明的各种非限制性实施方式。

示例性方法

参见图1，本实施例提供股票k线图像识别方法，包括如下步骤：

步骤s100、获取待识别的股票k线图像。

在本发明实施例中，通过获取当天股市中待识别股票的最近n日历史数据(包括开盘价、收盘价、最高价、最低价、交易量和换手率等)生成待识别的k线图。k线图像的大小均为224乘224像素，双色(涨为红色，跌为绿色)。

步骤s200、采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别，得到与所述待识别的股票k线图像对应的分类识别结果；其中，所述股票k线图像识别模型为残差卷积网络模型。

在本发明实施例中，将经过上述步骤s100生成的待识别的股票k线图像，输入到训练后的股票k线图像模型中，得到与所述待识别的股票k线图像对应的分类识别结果。

具体来说，股票k线图像模型为五分类的图像分类器，包括：卷积层、池化层、全连接层、丢弃层、批量正则化层和softmax层。即经过股票k线图像模型后，识别得到的结果根据投资收益的高低分为1-5等级，第一等级为收益率最高的等级如投资收益率超过40％，第二等级如投资收益率超过20％，第三等级如投资收益率超过15％，第四等级如投资收益率超过10％，第五等级如投资收益率超过5％。用户可根据分类识别结果的等级进行有针对性的买人或卖出股票。

在本发明实施例中，在建立股票k线图像识别模型时，可以预先获取与5级中的每个级别分别对应的多支股票k线样本图像，将股票样本图像在时间尺度上按照比例8:1:1划分为训练数据集、验证数据集、测试数据集。我们将这些数据集作为训练股票k线图像识别模型的数据集。对股票k线图像识别模型进行训练，得到训练后的股票k线图像识别模型。

进一步地，所述股票k线图像模型根据实时更新的股票数据进行增量学习；所述增量学习包括，实时获取更新的股票数据，将所述更新后的股票数据作为训练数据，输入股票k线图像识别模型中，对股票k线图像识别模型进行训练。

在本实施例中，股票数据实时更新的特点，本发明所提供的股票k线图像识别模型可对实时更新的股票数据进行增量学习，比如今天的金融数据，可以作为新的输入，作为训练数据，从而使得股票k线图像识模型加鲁棒，进一步改善股票k线图像识模型的泛化能力。

在利用股票k线图像识别模型对待识别股票k线图像进行识别时，具体识别过程可以为：

通过所述卷积层对所述待识别的股票k线图像进行卷积操作，提取得到与所述待识别股票k线图像对应的各个特征；

可以理解的是，本实施例中将待识别的股票k线图像输入至卷积层中，进行卷积操作，从中提取出与所述待识别股票k线图像对应的各个特征。

通过所述池化层对所述各个特征进行降低维度，得到与每个所述特征各自对应的特征向量；

通过所述全连接层对所述各个特征向量进行非线性拟合并实现维度变换，经过非线性拟合以及维度变换后得到与每个所述特征各自对应的拟合特征向量；

通过所述丢弃层对所述各个拟合特征向量的每个元素进行随机置0，减少过拟合现象的发生，提升模型的泛化能力；

通过批量正则化层对所述各个拟合特征向量进行正则化，提升模型的泛化能力；

常见的图像分类目标是交叉熵损失。针对股票数据高信噪比的特点，在交叉熵损失的基础上，添加错误分类的权重系数。比如将第k等级的股票错分类成第m等级，则施加与k-m的绝对值相关的惩罚项。该方法可以视为对卷积网络的正则化方法。

通过所述softmax层对所述各个拟合特征向量进行归一化，得到5个介于0到1之间的数字，分别表示将所述待识别的股票涨跌幅评级为1～5级的概率。输出概率最高的评级，表示模型认为股票的涨跌幅评级。所述softmax层所用的目标函数是交叉熵损失函数。

参阅图2，本申请实施例中，对股票k线图像进行识别包括两个流程，即股票训练预测模型流程与股票预测流程。

股票训练预测模型流程，首先获得股市中每支个股的历史数据，由历史数据生成k线图像集，将所生成的k线图像集分成训练数据集、验证数据集、测试数据集。将训练数据集输入到卷积神经网络(股票k线图像识别)模型中进行训练。卷积神经网络模型的网络结构如图3所示，网络结构为多层残差卷积网络结构，针对股票数据高信噪比的特点，在交叉熵损失的基础上，添加了错误分类的权重系数。比如将第k等级的股票错分类成第m等级，则施加与k-m的绝对值相关的惩罚项。其中，分类权重系数可以根据实际情况进行灵活设置，使得该网络结构具有很好的图像识别效果。

对经过训练数据训练的卷积神经网络模型进行评估，假设我们将第t天k线图数据输入到卷积神经网络模型，将经过卷积神经网络模型的softmax层后得到的输出乘上等级权重系数(按照涨跌幅排序，呈递增关系的和为0的等差数列)，得到该只股票当天的得分。将第t天的所有股票的得分排序后，从高到低平均分为5个分类，作为当天的股市所有股票的预测收益等级。我们将我们在验证数据集上的预测结果和真实的收益率等级标签作为对比，将对比结果通过反向传播方法反馈更新卷积神经网络预测模型的参数。重复上述步骤反复迭代，得到训练好的卷积神经网络模型。

股票预测流程，利用当天的股市中所有股票的最近n日历史数据生成当日的k线图像数据集(与上述相同)。k线图大小和样式同卷积神经网络训练过程。将生成的k线图像数据集输入训练后的卷积神经网络预测模型，为每张k线图像生成其未来m日的预测收益率等级。通过预测的收益率等级给出未来的股票投资组合意见。

由上述实施例可以看出，本发明通过利用深度学习中的卷积神经网络技术，对股票数据进行智能识别，提取股票k线图的视觉特征，利用视觉特征预测股票未来趋势，提升了股票预测的准确率。为用户提供合理正确的交易提示，避免盲目的投资，降低投资交易风险。

示例性设备

参见图4，本发明实施例提供股票k线图像识别装置，该装置包括：获取单元310、识别单元320。

具体地，所述获取单元310，用于获取待识别的股票k线图像。

识别单元320，用于采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别，得到与所述待识别的股票k线图像对应的分类识别结果；其中，所述股票k线图像识别模型为残差卷积网络模型。

在一些实施方式中，识别单元320中用于图像识别的股票k线图像识别模型为五分类的图像分类器，包括：卷积层、池化层、全连接层、丢弃层、批量正则化层和softmax层。

在一些实施方式中，识别单元具体用于：通过所述卷积层对所述待识别的股票k线图像进行卷积操作，提取得到与所述待识别股票k线图像对应的各个特征；通过所述池化层对所述各个特征进行降低维度，得到与每个所述特征各自对应的特征向量；通过所述全连接层对所述各个特征向量进行非线性拟合并实现维度变换，经过非线性拟合以及维度变换后得到与每个所述特征各自对应的拟合特征向量；通过所述丢弃层对各个所述拟合特征向量的每个元素进行随机置0，减少过拟合现象的发生；通过批量正则化层对各个所述拟合特征向量进行正则化；通过所述softmax层对各个所述拟合特征向量进行归一化，得到5个介于0到1之间的数字，分别表示将所述待识别的股票涨跌幅评级为1～5级的概率。

在本发明上述实施方式中，股票k线图像识别装置，通过获取股票历史k线图，对卷积神经网络进行训练，利用深度学习中的卷积神经网络技术，对股票数据进行智能识别，提取股票k线图的视觉特征，利用视觉特征预测股票未来趋势，提升了股票预测的准确率。为用户提供合理正确的交易提示，从而降低用户交易风险。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图5所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现股票k线图像识别方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的当前运行温度。

本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取待识别的股票k线图像；

采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别，得到与所述待识别的股票k线图像对应的分类识别结果；其中，所述股票k线图像识别模型为残差卷积网络模型。

在本实施例中，智能终端作为整个ai应用的部署载体，其具体工作流程是用户提交数据，系统自动选择算法，触发模型训练，模型收敛以后测试准确率，准确率达标形成新的模型版本提交模型仓库托管并形成新的微服务，逻辑代码通过接口会调用新的微服务，并出发持续集成和持续部署模块，将新的应用部署到智能终端。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

综上所述，本发明公开了股票k线图像识别方法、装置、智能终端及存储介质，所述方法包括：获取待识别的股票k线图像；采用训练后的股票k线图像识别模型,对所述待识别股票k线图像进行识别，得到与所述待识别的股票k线图像对应的分类识别结果；其中，所述股票k线图像识别模型为残差卷积网络模型。本发明通过利用深度学习中的卷积神经网络技术，对股票数据进行智能识别，提取股票k线图的视觉特征，利用视觉特征预测股票未来趋势，提升了股票预测的准确率。为用户提供合理正确的交易提示。解决了现有技术在利用股票k线图预测股票走势时，预测结果不准确的问题。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。