(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210393130.0 (22)申请日 2022.04.14 (71)申请人 北京裕芃科技有限公司 地址 100027 北京市东城区东 直门外大街 42号9层904 (72)发明人 常京伟　李鹏飞　陈洁　 (74)专利代理 机构 深圳汉林汇融知识产权代理 事务所(普通 合伙) 44850 专利代理师 刘临利 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 40/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习和回测策略的金融风险 预测方法 (57)摘要 本发明公开了一种基于深度学习和回测策 略的金融风险预测方法， 包括以下步骤： 步骤1、 建立历史数据库； 步骤2、 对多个激励函数建立融 合分类机制， 构建深度学习神经网络预测模型； 步骤3、 建立回测参数数据库， 执行回测任务， 生 成回测报告； 步骤4、 将回测报告显示在带触控面 板功能的显示元件上。 本发明结构简单、 设计合 理， 对不同的激励函数建立融合分类机制， 利用 深度学习方法让预测模型向实际趋势数据 “学 习”， 以提高预测模型的预测精度， 回测参数数据 库， 能够更好的识别用户用不同词语表达的回测 参数， 将预测时间序列波形和模糊输出量显示在 带触控面板功能的显示元件上， 显示 直观清晰。 权利要求书2页 说明书7页 附图1页 CN 115063219 A 2022.09.16 CN 115063219 A 1.一种基于深度学习和回测策略的金融风险预测方法， 其特 征在于： 包括以下步骤： 步骤1、 建立历史数据库： 获取n只股票的波形时间序列数据， 将波形时间序列数据划分 为训练集和 测试集， 存 储在历史数据库中； 步骤2、 构建深度学习神经网络预测模型； 步骤201、 构建LSTM网络， LSTM网络的激励函数输出为 步骤202、 将历史数据库中训练集的数据输入， 进行训练， 得到训练好的LSTM网络， LSTM 网络具有记 忆单元、 输入门、 遗 忘门和输出门； 步骤203、 将测试集数据构成的时序特征向量输入训练好的LSTM网络， 计算LSTM网络模 型输出识别精度 ， 若 大于精度阈值， 对LSTM网络模型中的全连接层参数进行迭代优化， 直 至 小于精度阈值； 步骤3、 模型回测； 步骤301、 建立回测参数数据库， 回测参数数据库包括多个回测参数的基准词和与其对 应的近义词； 步骤302、 用户输入回测参数： 输入的回测参数包括但不限于回测名称、 回测时间、 策略 名称、 初始资金、 频率、 撮合方式、 业绩基准、 滑点、 交易佣金， 和/或限制成交量； 步骤303、 计算机对输入的回测参数和回测参数数据库中的回测参数进行近义词识别， 若识别出近义词， 提醒用户是否进 行近义词替换， 若用户确认 替换， 进入步骤304， 否则进入 步骤305； 步骤304、 以回测参数 数据库中的基准词替换用户输入的回测参数； 步骤305、 计算机根据回测参数查询历史数据库是否已经存在回测报告， 如果存在， 进 入步骤四， 否则进入步骤3 06； 步骤306、 执行回测任务： 按照步骤101 ‑105获取股票的波形时间序列数据； 步骤307、 将股票的预测集数据输入LSTM网络， LSTM网络输出股票的预测时间序列， 若 计算时长大于任务定时， 回测结束， 进入步骤4； 步骤308、 LSTM 网络按照回测参数完成模拟交易， 回测任务完成， 生成回测 报告， 将回测 报告存储在报表数据库中， 进入步骤四； 步骤4、 将回测报告显示在带触控面板功能的显示元件上。 2.按照权利要求1所述的一种基于深度学习和回测策略的金融风险预测方法， 其特征 在于： 步骤4中还包括： 建立基于If ‑Then形式的模糊规则的模糊规则库， 将预测时间序列作权　利　要　求　书 1/2 页 2 CN 115063219 A 2为模糊规则库的输入， 得到模糊输出量， 模糊规则为： 其中 表示第i+1只股票的预测时间序列中t时刻的数据， S、 M、 B分别为描述 为 跌、 持平、 涨的模糊数， 表示第i+1只股票t时刻的预测成交量增量， 表示拟合系数， 。 3.按照权利要求2所述的一种基于深度学习和回测策略的金融风险预测方法， 其特征 在于： 步骤4中的回测报告包括预测时间序列波形和模糊输出量。 4.按照权利要求1所述的一种基于深度学习和回测策略的金融风险预测方法， 其特征 在于： 步骤203中， 识别精度 采用绝对值误差函数、 均方误差函数、 均方根误差函数或平均 绝对百分误差函数计算。 5.按照权利要求1所述的一种基于深度学习和回测策略的金融风险预测方法， 其特征 在于： 步骤一具体包括： 步骤101、 爬取目标网站网页获取爬取网页上n只股票的url信息， url信息以时间粒度分类， 得到爬取时间序列P＝[P1， ...Pi， ...Pn],其中Pi表示第i只股票 的爬取时间序列， Pi为m×h维的时间序列， ， m、 h均为 正整数； 步骤102、 下载与步骤1同类型的n只股票的历史Ｋ线数据， 形成下载时间序列Q＝ [Q1， ...Qi， ...Qn],Qi表示第i只股票的下 载时间序列， Qi为m×h维的时间序列； 步骤103、 按时间序列 对Pi和Qi两两之间进行距离计算， 得到数据相似度， 若数据相似度 大于阈值， 停止距离计算， 放弃第i只股票的数据， 否则进入步骤104； 步骤104、 对爬取时间序列数据和下载时间序列数据进行融合， 得到第i只股票的融合 时间序列数据； 步骤105、 对融合时间序列数据中提取波形， 获得波形时间序列数据， 将波形时间序列 数据划分为训练集和 测试集， 存 储在历史数据库中。权　利　要　求　书 2/2 页 3 CN 115063219 A 3