量化选股方法、装置、终端设备以及存储介质与流程

1.本技术涉及股票选股技术领域，尤其涉及一种量化选股方法、装置、终端设备以及存储介质。


背景技术：

2.多因子选股作为经典的选股方法，通过选择一系列因子作为选股的条件，将满足这些因子条件的股票买入，不满足的卖出。目前常用的估值类因子包括市盈率pe，其中市盈率是指每股的市值除以每股的收益，或者用股票总市值除以公司净利润。从计算方法可以知道，当收益为负的时候，市盈率也为负，此时的市盈率无法从经济意义进行解释，也就没有实际意义；此外，净利润的波动较大，这会导致计算出的市盈率不稳定，也就无法使用市盈率对企业进行合理的估值。因此选用市盈率作为估值类因子容易存在因子失效且无法合理估值的问题，致使选股的预测准确率较低。
3.因此，有必要提出一种提升选股预测准确率的解决方案。


技术实现要素：

4.本技术的主要目的在于提供一种量化选股方法、装置、终端设备以及存储介质，旨在解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。
5.为实现上述目的，本技术提供一种量化选股方法，所述量化选股方法包括：
6.获取待预测股票当前的基本面指标因子；
7.将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；
8.根据所述市净率预测值进行量化选股。
9.可选地，所述获取待预测股票当前的基本面指标因子的步骤之前，还包括：
10.训练得到所述市净率模型，其中，所述市净率模型采用卷积神经网络-长短期记忆cnn-lstm深度学习网络来构建。
11.可选地，所述训练得到所述市净率模型的步骤包括：
12.获取预先构建的股票池和因子池，其中，所述因子池包括所述股票池中每个股票对应的历史的基本面指标因子；
13.将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值；
14.将所述训练用的市净率预测值与对应的模型标签之间的误差值回传至所述待训练的市净率模型中，对模型的参数进行更新，其中，所述模型标签为股票的下一个月真实的市净率值；并返回执行步骤：将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值；
15.以此循环，进行参数迭代，直到所述待训练的市净率模型收敛，终止训练，并得到训练好的市净率模型。
16.可选地，所述获取预先构建的股票池和因子池的步骤之前，还包括：
17.获取企业的股票名称和对应的所述历史的基本面指标因子；
18.根据所述股票名称构建所述股票池；
19.根据所述历史的基本面指标因子构建所述因子池。
20.可选地，所述将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型预测，得到训练用的市净率预测值的步骤之前，还包括：
21.对所述历史的基本面指标因子进行数据预处理，具体包括：
22.采用均值填补操作对所述历史的基本面指标因子进行缺失值处理；
23.对所述历史的基本面指标因子进行归一化处理。
24.可选地，所述根据所述市净率预测值进行量化选股的步骤包括：
25.将所述市净率预测值与当前的市净率值进行求差，得到公允价值；
26.若所述公允价值大于零，则买入所述待预测股票；
27.若所述公允价值小于零，则检测所述待预测股票是否为持有状态；
28.若所述待预测股票为持有状态，则卖出所述待预测股票。
29.可选地，所述若所述公允价值大于零，则买入所述待预测股票的步骤包括：
30.若所述公允价值大于零，则计算得到所述待预测股票的企业盈利指标；
31.根据所述企业盈利指标对所述待预测股票进行排序，得到排序列表；
32.买入所述排序列表中满足预设条件的待预测股票。
33.本技术实施例还提出一种量化选股装置，所述量化选股装置包括：
34.输入模块，用于获取待预测股票当前的基本面指标因子；
35.预测模块，用于将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；
36.选股模块，用于根据所述市净率预测值进行量化选股。
37.本技术实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的量化选股程序，所述量化选股程序被所述处理器执行时实现如上所述的量化选股方法的步骤。
38.本技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有量化选股程序，所述量化选股程序被处理器执行时实现如上所述的量化选股方法的步骤。
39.本技术实施例提出的量化选股方法、装置、终端设备以及存储介质，通过获取待预测股票当前的基本面指标因子；将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；根据所述市净率预测值进行量化选股。由于用于计算市净率的净资产总是为正，因此市净率总是有意义的；而在净利润大幅波动的时候，企业的净资产却是相对稳定的，故相比于利用市盈率进行企业估值，此时利用市净率进行估值更为有效。因此通过深度学习算法提取预测过程中的复杂非线性特征用于建模，通过训练好的市净率模型对市净率值进行预测，并根据得到的市净率预测值进行选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准
确率。
附图说明
40.图1为本技术量化选股装置所属终端设备的功能模块示意图；
41.图2为本技术量化选股方法第一示例性实施例的流程示意图；
42.图3为本技术量化选股方法第二示例性实施例的流程示意图；
43.图4为本技术量化选股方法实施例中涉及的卷积神经网络的卷积层和池化层的结构示意图；
44.图5为本技术量化选股方法实施例中涉及的长短期记忆细胞单元的结构示意图；
45.图6为本技术量化选股方法实施例中涉及的cnn-lstm网络模型的结构示意图；
46.图7为本技术量化选股方法实施例中涉及的训练市净率模型的流程示意图；
47.图8为本技术量化选股方法第四示例性实施例的流程示意图；
48.图9为本技术量化选股方法第五示例性实施例的流程示意图；
49.图10为本技术量化选股方法实施例中涉及的基于深度学习市净率预测模型进行量化选股的流程示意图。
50.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
51.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
52.本技术实施例的主要解决方案是：通过获取预先构建的股票池和因子池，其中，所述因子池包括所述股票池中每个股票对应的历史的基本面指标因子；将所述历史的基本面指标因子输入至所述市净率模型中进行模型训练，得到训练用的市净率预测值；将所述训练用的市净率预测值与对应的模型标签之间的误差值回传至所述市净率模型中，对模型的参数进行更新，其中，所述模型标签为股票的下一个月真实的市净率值；并返回执行步骤：将所述历史的基本面指标因子输入至所述市净率模型中进行模型训练，得到训练用的市净率预测值；以此循环，进行参数迭代，直到所述市净率模型收敛，终止训练，并得到训练好的市净率模型。由于用于计算市净率的净资产总是为正，因此市净率总是有意义的；而在净利润大幅波动的时候，企业的净资产却是相对稳定的，故相比于利用市盈率进行企业估值，此时利用市净率进行估值更为有效。本实施例通过深度学习算法提取预测过程中的复杂非线性特征用于建模，通过训练好的市净率模型对待预测股票当前的市净率因子进行预测，得到市净率预测值，并根据得到的市净率预测值进行量化选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准确率。
53.具体地，参照图1，图1为本技术量化选股装置所属终端设备的功能模块示意图。该量化选股装置可以为独立于终端设备的、能够进行量化选股、网络模型训练的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
54.在本实施例中，该量化选股装置所属终端设备至少包括输出模块110、处理器120、
存储器130以及通信模块140。
55.存储器130中存储有操作系统以及量化选股程序，量化选股装置可以将获取的待预测股票当前的基本面指标因子，通过预先训练好的市净率模型进行预测得到的市净率预测值，以及获取到的预先构建的股票池和因子池，将所述历史的基本面指标因子输入至所述市净率模型中进行模型训练得到的训练用的市净率预测值，所述训练用的市净率预测值与对应的模型标签之间的误差值，模型的参数，获取到的企业的股票名称和对应的历史的基本面指标因子，将所述市净率预测值与当前的市净率值进行求差得到的公允价值，计算得到的所述待预测股票的企业盈利指标，以及根据所述企业盈利指标对所述待预测股票进行排序得到的排序列表等信息存储于该存储器130中；输出模块110可为显示屏等。通信模块140可以包括wifi模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
56.其中，存储器130中的量化选股程序被处理器执行时实现以下步骤：
57.获取待预测股票当前的基本面指标因子；
58.将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；
59.根据所述市净率预测值进行量化选股。
60.进一步地，存储器130中的量化选股程序被处理器执行时还实现以下步骤：
61.训练得到所述市净率模型，其中，所述市净率模型采用卷积神经网络-长短期记忆cnn-lstm深度学习网络来构建。
62.进一步地，存储器130中的量化选股程序被处理器执行时还实现以下步骤：
63.获取预先构建的股票池和因子池，其中，所述因子池包括所述股票池中每个股票对应的历史的基本面指标因子；
64.将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值；
65.将所述训练用的市净率预测值与对应的模型标签之间的误差值回传至所述待训练的市净率模型中，对模型的参数进行更新，其中，所述模型标签为股票的下一个月真实的市净率值；并返回执行步骤：将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值；
66.以此循环，进行参数迭代，直到所述待训练的市净率模型收敛，终止训练，并得到训练好的市净率模型。
67.进一步地，存储器130中的量化选股程序被处理器执行时还实现以下步骤：
68.获取企业的股票名称和对应的所述历史的基本面指标因子；
69.根据所述股票名称构建所述股票池；
70.根据所述历史的基本面指标因子构建所述因子池。
71.进一步地，存储器130中的量化选股程序被处理器执行时还实现以下步骤：
72.对所述历史的基本面指标因子进行数据预处理，具体包括：
73.采用均值填补操作对所述历史的基本面指标因子进行缺失值处理；
74.对所述历史的基本面指标因子进行归一化处理。
75.进一步地，存储器130中的量化选股程序被处理器执行时还实现以下步骤：
76.将所述市净率预测值与当前的市净率值进行求差，得到公允价值；
77.若所述公允价值大于零，则买入所述待预测股票；
78.若所述公允价值小于零，则检测所述待预测股票是否为持有状态；
79.若所述待预测股票为持有状态，则卖出所述待预测股票。
80.进一步地，存储器130中的量化选股程序被处理器执行时还实现以下步骤：
81.若所述公允价值大于零，则计算得到所述待预测股票的企业盈利指标；
82.根据所述企业盈利指标对所述待预测股票进行排序，得到排序列表；
83.买入所述排序列表中满足预设条件的待预测股票。
84.本实施例通过上述方案，具体通过获取待预测股票当前的基本面指标因子；将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；根据所述市净率预测值进行量化选股。通过训练好的市净率模型对市净率值进行预测，并根据得到的市净率预测值进行选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准确率。
85.基于上述终端设备架构但不限于上述架构，提出本技术方法实施例。
86.参照图2，图2为本技术量化选股方法第一示例性实施例的流程示意图。所述量化选股方法包括：
87.步骤s101，获取待预测股票当前的基本面指标因子；
88.步骤s102，将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；
89.步骤s103，根据所述市净率预测值进行量化选股。
90.本实施例方法的执行主体可以是一种量化选股装置，也可以是一种量化选股终端设备或服务器，本实施例以量化选股装置进行举例，该量化选股装置可以集成在具有数据处理功能的智能手机、平板电脑等终端设备上。
91.具体地，获取待预测股票当前的基本面指标因子，其中，所述基本面指标因子主要考虑企业的盈利能力、运营能力、成长能力和财务状况几个方面，包括但不限于企业的每股净资产、每股现金流量净额、每股营业收入、营业总收入利润率和总资产净利率等。将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值。其中，所述市净率为企业股票市值除以企业的净资产，从计算方法可以看出，企业净资产总是为正且相对稳定，因此市净率总是有意义的；所述市净率模型以基本面指标因子及其数值作为模型的输入，经过模型进行预测后，输出为市净率预测值。然后，根据所述市净率预测值，按照设定的选股策略进行量化选股，以达到通过市净率因子来选股的目的。
92.本实施例方案主要解决了以下两个方面存在的问题：第一，针对市盈率因子失效和无法合理估值的情况，选择市净率因子来指导选股操作，可以根据市净率来进行套利；第二，市净率的预测通常是一个非线性的过程，传统的统计模型虽然能够通过一些改进来处理非线性过程，但是本质上还是线性模型，无法处理复杂的非线性数据，因此本实施例方案通过深度学习算法可以提取到过程的复杂非线性特征用于建模。
93.本实施例通过上述方案，具体通过获取待预测股票当前的基本面指标因子；将所
述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；根据所述市净率预测值进行量化选股。由于用于计算市净率的净资产总是为正，因此市净率总是有意义的；而在净利润大幅波动的时候，企业的净资产却是相对稳定的，故相比于利用市盈率进行企业估值，此时利用市净率进行估值更为有效。因此通过深度学习算法提取预测过程中的复杂非线性特征用于建模，通过训练好的市净率模型对市净率值进行预测，并根据得到的市净率预测值进行选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准确率。
94.参照图3，图3为本技术量化选股方法第二示例性实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，在获取待预测股票当前的基本面指标因子的步骤之前，所述量化选股方法还包括：
95.步骤s100，训练得到所述市净率模型，其中，所述市净率模型采用卷积神经网络-长短期记忆cnn-lstm深度学习网络来构建。本实施例以步骤s100在步骤s101之前实施，在其他实施例中，步骤s100也可以在步骤s101与步骤s102之间实施。
96.相比上述图2所示的实施例，本实施例还包括训练市净率模型的方案。
97.具体地，采用卷积神经网络-长短期记忆cnn-lstm深度学习网络构建所述市净率模型。其中，卷积神经网络(convolutional neural networks，cnn)是一种深层的多层前馈神经网络，它可以从原始图像数据中自动学习复杂特征，对数据的噪声、变形和失真具有很强的容错能力。此外，cnn非常适合并行式和分布式计算，这可以大大减少大数据时代复杂任务的运行时间。cnn的主要思想是通过局部连接、权重共享和下采样(或池)等方法大大减小网络模型的参数规模。其中，局部连接是指卷积层中的每个卷积神经元连接到相应的局部感觉区，从而通过卷积核提取部分特征，符合生物神经元的稀疏响应特性。权重共享是指卷积层中同一特征映射的卷积神经元与前一层网络对应的局部感觉区域之间的连接权值相同。也就是说，使用相同的卷积核在前一层网络的不同位置提取相同的特征类型，可参考图4，图4为本技术量化选股方法实施例中涉及的卷积神经网络的卷积层和池化层的结构示意图。
98.长短期记忆(long short-term memory，lstm)不同于一般的前馈神经网络，其网络的单个细胞单元有两个输入端，一个输入为当时时刻t的输入信息，另一个输入为前一个时刻t-1的隐层特征。lstm的每个细胞单元都利用前一时刻的隐状态来计算当前时刻的预测输出以及计算当前时刻的隐状态并将当前时刻的隐状态用于下一个时刻的输入，所以它在处理时序数据方面有着优异的表现。如图5所示，图5为本技术量化选股方法实施例中涉及的长短期记忆细胞单元的结构示意图。lstm网络就是由多个lstm细胞单元重复连接，不同的细胞单元之间共享网络权重与偏置。
99.具体的lstm细胞单元的计算公式如下所示：
100.f
(t)
＝σ(w
fx
x
(t)
+w
fhh(t-1)
+bf)
ꢀꢀꢀ
(1)
101.i
(t)
＝σ(w
ix
x
(t)
+w
ihh(t-1)
+bi)
ꢀꢀꢀ
(2)
102.o
(t)
＝σ(w
ox
x
(t)
+w
ohh(t-1)
+bo)
ꢀꢀꢀ
(3)
[0103][0104]
其中，f
(t)
、i
(t)
、o
(t)
分别表示长短期记忆单元中三个控制门的输出值，表示中间状态，w
*x
，w
*h
分别表示当前时刻输入x
(t)
、前一时刻的隐状态h
(t-1)
与长短期记忆细胞单元中三个控制门以及中间状态的转换矩阵，b*表示三个控制门和中间状态的偏置量。
[0105]
当前时刻的细胞状态c
(t)
和隐藏层输出h
(t)
分别为：
[0106][0107]h(t)
＝o
(t)
⊙
tan h(c
(t)
)
ꢀꢀꢀ
(6)
[0108]
在计算出t时刻的隐状态h
(t)
之后，利用一个全连接层即可得到当前时刻的预测值
[0109][0110]
其中，u为全连接层的权重，c为全连接层的偏置向量。
[0111]
综上，完整的cnn-lstm网络模型的结构可参考图6，图6为本技术量化选股方法实施例中涉及的cnn-lstm网络模型的结构示意图。
[0112]
本实施例方案通过选用cnn-lstm深度学习网络构建市净率模型，首先可以利用cnn的卷积层通过卷积操作挖掘到因子之间的相关性，然后将lstm作为时序网络模型，可以利用过去时刻的信息预测当前时刻的输出，增加了输入信息的丰富性，因此能更好的对市净率进行预测。
[0113]
进一步地，参照图7，图7为本技术量化选股方法实施例中涉及的训练市净率模型的流程示意图，训练得到所述市净率模型的步骤可以包括：
[0114]
步骤s110，获取预先构建的股票池和因子池，其中，所述因子池包括所述股票池中每个股票对应的历史的基本面指标因子。
[0115]
具体地，获取预先构建的股票池和因子池，其中，所述因子池包括所述股票池中每个股票对应的历史的基本面指标因子。即，所述股票池包括所有训练用的股票，所述因子池包括所述训练用的股票所对应的历史的基本面指标因子。
[0116]
进一步地，在步骤s110，获取预先构建的股票池和因子池之前，还可以包括构建所述股票池和所述因子池的方案，具体包括：
[0117]
步骤s111，获取企业的股票名称和对应的所述历史的基本面指标因子；
[0118]
步骤s112，根据所述股票名称构建所述股票池；
[0119]
步骤s113，根据所述历史的基本面指标因子构建所述因子池。
[0120]
具体地，获取企业的股票名称以及与股票对应的历史的基本面指标因子。由于资本密集型企业的净资产更能准确的反映企业的有形资产价值，因此市净率更适合用于该类企业。因此在本实施例中，所述企业主要选择金融行业的企业。然后，根据获取到的所述股票名称构建所述股票池。根据获取到的与股票对应的历史的基本面指标因子构建所述因子池，其中，构建的所述因子池中基本面指标因子的选择如下表一所示：
[0121][0122][0123]
表一：基本面指标因子
[0124]
步骤s120，将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值。
[0125]
具体地，在训练市净率模型时，将获取到的所述历史的基本面指标因子输入至构建的待训练的市净率模型中进行模型训练，得到模型输出的训练用的市净率预测值。
[0126]
步骤s130，将所述训练用的市净率预测值与对应的模型标签之间的误差值回传至所述待训练的市净率模型中，对模型的参数进行更新，其中，所述模型标签为股票的下一个月真实的市净率值；并返回执行步骤：将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值。
[0127]
具体地，将得到的所述训练用的市净率预测值，结合与之对应的模型标签进行误差值计算，将得到的误差值回传至所述待训练的市净率模型中对所述模型的参数进行更新，其中，所述模型标签采用的是所述股票的下一个月真实的市净率值。即，对于一只股票，将所述股票第t个月的历史的基本面指标因子输入至所述待训练的市净率模型中进行模型训练，得到所述股票的t+1个月的市净率预测值；将所述股票的t+1个月的真实的市净率值作为对应的模型标签，将所述市净率预测值与对应的模型标签之间的误差值，回传至所述待训练的市净率模型中对模型的参数进行更新。然后，返回执行步骤：将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值。
[0128]
步骤s140，以此循环，进行参数迭代，直到所述待训练的市净率模型收敛，终止训练，并得到训练好的市净率模型。
[0129]
具体地，按照上述步骤进行模型参数的循环迭代，训练所述待训练的市净率模型，直至所述待训练的市净率模型收敛，即可终止训练，并得到训练好的市净率模型。
[0130]
之后，即可通过训练好的市净率模型对市净率值进行预测。
[0131]
本实施例通过上述方案，具体通过获取待预测股票当前的基本面指标因子；将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；根据所述市净率预测值进行量化选股。由于用于计算市净率的净资产总是为正，因此市净率总是有意义的；而在净利润大幅波动的时候，企业的净资产却是相对稳定的，故相比于
利用市盈率进行企业估值，此时利用市净率进行估值更为有效。因此通过深度学习算法提取预测过程中的复杂非线性特征用于建模，通过训练好的市净率模型对市净率值进行预测，并根据得到的市净率预测值进行选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准确率。
[0132]
进一步地，基于上述实施例，在本实施例中，在步骤s120，将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型预测，得到训练用的市净率预测值之前，还可以对所述历史的基本面指标因子进行数据预处理。
[0133]
具体地，对获取到的所述历史的基本面指标因子进行数据预处理，然后将预处理后的所述历史的基本面指标因子用于训练所述待训练的市净率模型。所述数据预处理的方法主要包括对数据的缺失值处理和归一化处理。其中，对所述历史的基本面指标因子进行数据预处理的步骤具体可以包括：
[0134]
步骤s1201，采用均值填补操作对所述历史的基本面指标因子进行缺失值处理。
[0135]
具体地，在本实施例中，采用均值填补操作对所述历史的基本面指标因子进行缺失值处理，其中，所述均值填补操作是指选择缺失值相邻的前后两个数的均值对缺失值进行填充。
[0136]
步骤s1202，对所述历史的基本面指标因子进行归一化处理。
[0137]
具体地，对所述历史的基本面指标因子进行归一化处理，其中，所述归一化处理的方法包括但不限于z-score法、max-min法等。在本实施例中，采用max-min法对所述历史的基本面指标因子进行归一化处理。因为采用z-score法归一化后的数据改变了其数据的结构，而max-min法可以保留数据的结构。其中，采用max-min法进行归一化处理的具体计算方法如下公式8所示：
[0138][0139]
其中，x
min
和x
max
为x所在列的所有数据的最小值和最大值，max-min归一化方法会将数据归一化到[0,1]的区间内。
[0140]
本实施例方案通过对所述历史的基本面指标因子进行数据预处理，可以提升基本面指标因子的有效性，提升市净率模型的性能和效率。
[0141]
如图8所示，图8为本技术量化选股方法第四示例性实施例的流程示意图。基于上述实施例，在本实施例中，步骤s103，根据所述市净率预测值进行量化选股可以包括：
[0142]
步骤s1031，将所述市净率预测值与当前的市净率值进行求差，得到公允价值。
[0143]
具体地，将所述市净率预测值与实际真实值，即当前的市净率值进行求差，得到公允价值。
[0144]
步骤s1032，若所述公允价值大于零，则买入所述待预测股票。
[0145]
具体地，判断得到的所述公允价值是否大于零，若所述公允价值大于零，则买入所述待预测股票。换句话说，根据所述市净率预测值与实际真实值的比较结果进行选股决策，如果市净率预测值高于实际真实值，表明所述待预测股票被低估，即该股票具有购入前景，
此时买入该股票。
[0146]
步骤s1033，若所述公允价值小于零，则检测所述待预测股票是否为持有状态；
[0147]
步骤s1034，若所述待预测股票为持有状态，则卖出所述待预测股票。
[0148]
具体地，若得到的所述公允价值小于零，即所述市净率预测值低于实际真实值，则检测所述待预测股票是否为持有状态。若检测结果为所述待预测股票为持有状态，则卖出所述待预测股票。
[0149]
本实施例通过上述方案，具体通过以市净率因子来进行量化选股，将预测的市净率值与实际真实值进行求差得到公允价值，根据所述公允价值来判断当前待预测股票是处于被高估还是被低估状态，以此来决定买入或卖出，实现了通过市净率因子来选股的目的。
[0150]
进一步地，如图9所示，图9为本技术量化选股方法第五示例性实施例的流程示意图。上述步骤s1032，若所述公允价值大于零，则买入所述待预测股票可以包括：
[0151]
步骤s10321，若所述公允价值大于零，则计算得到所述待预测股票的企业盈利指标。
[0152]
具体地，若所述公允价值大于零，则通过计算得到所述待预测股票的企业盈利指标，其中，所述企业盈利指标是指衡量所述企业的盈利能力的指标，在本实施例中，考虑利用利润/总收入的值来作为企业盈利指标。
[0153]
步骤s10322，根据所述企业盈利指标对所述待预测股票进行排序，得到排序列表。
[0154]
具体地，根据得到的所述企业盈利指标对所述待预测股票，按照指标大小进行排序，得到所述待预测股票的排序列表。
[0155]
步骤s10323，买入所述排序列表中满足预设条件的待预测股票。
[0156]
具体地，根据得到的所述排序列表，买入满足预设条件的待预测股票。在本实施例中，所述预设条件为位于排序列表前80％的股票。
[0157]
然后根据上述步骤，即可得出股票池中的股票在当前时间点的买卖情况。
[0158]
本实施例通过在选股策略上增加额外的过滤条件，选择利润/总收入来衡量企业的盈利能力，进而通过对所述股票进行排序，选择只买入满足排序条件的股票，可以更好的提升选股准确率。
[0159]
本实施例通过上述方案，具体通过获取待预测股票当前的基本面指标因子；将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；根据所述市净率预测值进行量化选股。由于用于计算市净率的净资产总是为正，因此市净率总是有意义的；而在净利润大幅波动的时候，企业的净资产却是相对稳定的，故相比于利用市盈率进行企业估值，此时利用市净率进行估值更为有效。因此通过深度学习算法提取预测过程中的复杂非线性特征用于建模，通过训练好的市净率模型对市净率值进行预测，并根据得到的市净率预测值进行选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准确率。
[0160]
参照图10，图10为本技术量化选股方法实施例中涉及的基于深度学习市净率预测模型进行量化选股的流程示意图。在本实施例中，所述量化选股方法具体可以包括：
[0161]
步骤s01，构建股票池和因子池。具体地，获取企业的股票名称和对应的所述历史
的基本面指标因子；根据所述股票名称构建所述股票池；根据所述历史的基本面指标因子构建所述因子池。
[0162]
步骤s02，对所述历史的基本面指标因子进行数据预处理。具体地，采用均值填补操作对所述历史的基本面指标因子进行缺失值处理；对所述历史的基本面指标因子进行归一化处理。
[0163]
步骤s03，训练得到所述市净率模型。具体地，获取预先构建的股票池和因子池，其中，所述因子池包括所述股票池中每个股票对应的历史的基本面指标因子；将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值；将所述训练用的市净率预测值与对应的模型标签之间的误差值回传至所述待训练的市净率模型中，对模型的参数进行更新，其中，所述模型标签为股票的下一个月真实的市净率值；并返回执行步骤：将所述历史的基本面指标因子输入至待训练的市净率模型中进行模型训练，得到训练用的市净率预测值；以此循环，进行参数迭代，直到所述待训练的市净率模型收敛，终止训练，并得到训练好的市净率模型。
[0164]
步骤s04，进行市净率预测。具体地，获取待预测股票当前的基本面指标因子；将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值。
[0165]
步骤s05，根据所述市净率预测值进行量化选股。具体地，将所述市净率预测值与当前的市净率值进行求差，得到公允价值；若所述公允价值小于零，则检测所述待预测股票是否为持有状态；若所述待预测股票为持有状态，则卖出所述待预测股票。
[0166]
步骤s06，若所述公允价值大于零，则进行二次筛选后买入。具体地，若所述公允价值大于零，则计算得到所述待预测股票的企业盈利指标；根据所述企业盈利指标对所述待预测股票进行排序，得到排序列表；买入所述排序列表中满足预设条件的待预测股票。
[0167]
本实施例通过上述方案，具体通过获取待预测股票当前的基本面指标因子；将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；根据所述市净率预测值进行量化选股。由于用于计算市净率的净资产总是为正，因此市净率总是有意义的；而在净利润大幅波动的时候，企业的净资产却是相对稳定的，故相比于利用市盈率进行企业估值，此时利用市净率进行估值更为有效。因此通过深度学习算法提取预测过程中的复杂非线性特征用于建模，通过训练好的市净率模型对市净率值进行预测，并根据得到的市净率预测值进行选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准确率。
[0168]
此外，本技术实施例还提出一种量化选股装置，所述量化选股装置包括：
[0169]
输入模块，用于获取待预测股票当前的基本面指标因子；
[0170]
预测模块，用于将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；
[0171]
选股模块，用于根据所述市净率预测值进行量化选股。
[0172]
进一步地，所述量化选股装置还包括：
[0173]
模型训练模块，用于训练得到所述市净率模型，其中，所述市净率模型采用卷积神
经网络-长短期记忆cnn-lstm深度学习网络来构建。
[0174]
本实施例实现量化选股的原理及实施过程，请参照上述各实施例，在此不再一一赘述。
[0175]
此外，本技术实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的量化选股程序，所述量化选股程序被所述处理器执行时实现如上所述的量化选股方法的步骤。
[0176]
由于本量化选股程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
[0177]
此外，本技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有量化选股程序，所述量化选股程序被处理器执行时实现如上所述的量化选股方法的步骤。
[0178]
由于本量化选股程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
[0179]
相比现有技术，本技术实施例提出的量化选股方法、装置、终端设备以及存储介质，通过获取待预测股票当前的基本面指标因子；将所述当前的基本面指标因子输入至预先训练好的市净率模型中进行预测，得到市净率预测值；根据所述市净率预测值进行量化选股。由于用于计算市净率的净资产总是为正，因此市净率总是有意义的；而在净利润大幅波动的时候，企业的净资产却是相对稳定的，故相比于利用市盈率进行企业估值，此时利用市净率进行估值更为有效。因此通过深度学习算法提取预测过程中的复杂非线性特征用于建模，通过训练好的市净率模型对市净率值进行预测，并根据得到的市净率预测值进行选股，可以解决多因子选股存在的因子失效且无法合理估值的问题，提升选股预测准确率。基于本技术方案，利用深度学习技术挖掘到输入变量的深层特征，可以得到更高的预测准确率，更有利于市净率的预测，最后通过根据本技术方法得到的市净率预测值进行选股明显提升了选股预测准确率。
[0180]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0181]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0182]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本技术每个实施例的方法。
[0183]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本申
请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。