CN108647828A - 一种结合新闻语料和股市交易数据的股票预测方法 - Google Patents

一种结合新闻语料和股市交易数据的股票预测方法 Download PDF

Info

Publication number
CN108647828A
CN108647828A CN201810463903.1A CN201810463903A CN108647828A CN 108647828 A CN108647828 A CN 108647828A CN 201810463903 A CN201810463903 A CN 201810463903A CN 108647828 A CN108647828 A CN 108647828A
Authority
CN
China
Prior art keywords
document
transaction data
stock
day
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810463903.1A
Other languages
English (en)
Inventor
朱俊祺
印鉴
高静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Hengdian Information Technology Co ltd
Sun Yat Sen University
Original Assignee
Guangdong Hengdian Information Technology Co ltd
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Hengdian Information Technology Co ltd, Sun Yat Sen University filed Critical Guangdong Hengdian Information Technology Co ltd
Priority to CN201810463903.1A priority Critical patent/CN108647828A/zh
Publication of CN108647828A publication Critical patent/CN108647828A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Technology Law (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种结合新闻语料和股市交易数据的股票预测方法，该方法充分利用网络大量的语料信息，打破传统单一分析数据来源的界限。通过深度学习模型，能够批量化分析股市新闻语料，自动判断语料对于预测的重要性，实现了网络资讯分析的自动化和精准化；利用深度学习对新闻语料和交易数据进行建模，多方面利用了不同信息，综合分析各种数据的相互关系。把握股市信息对股价的影响性、持久性、投资者的心理因素，进一步提高股市预估的准确性；使用了词向量、GRU神经网络、注意力机制等深度学习前沿技术，把科学落实到产业当中，实现科技创新。

Description

一种结合新闻语料和股市交易数据的股票预测方法
技术领域
本发明涉及股市预测领域，更具体地，涉及一种结合新闻语料和股市交易数据的股票预测方法。
背景技术
在当今全民炒股的时代，绝大多数人都会接触过股市投资。资本的兴起带动了一次又一次的股市行情。为了寻求利益最大化，股市投资者们都会尝试去预测股市的趋势。然而因为股市的不稳定性和多变性，让这项任务对普通投资者来说成了不可能完成的任务。传统的股市预测方法都是基于专业分析员对市场、政策、投资者心理的综合分析。这种传统的预测分析过度依赖分析员的主观评判，需要分析员有丰富的实战经验和行业积累。有时候，即使是专业分析人员也不一定能够即时发现市场内在规律，有很大局限性。
随着互联网兴起，网络媒体逐渐成为投资者们了解市场趋势和变化的重要渠道。投资者通过收集股市、股票相关消息，更快更迅速的做出决策。但是由于互联网的蓬勃发展，网络上关于股市、股票的文章呈现爆炸式增长。这样会造成信息的过度冗余，影响投资人的专业判断。因此，能够自动分析文章与股市的关联性，并且自动根据文章判断股市走势是非常有必要的。
随着自然语言处理的日渐成熟，自动化分析新闻来预测股市趋势成为了可能。利用自然语言技术，可以对新闻文章进行分词和词向量学习。然后将文章所有词向量输入GRU模型得到文章向量。然后通过注意力机制，自动找出跟股市走势相关性比较大的文章类型。最后结合深度学习网络判断未来股市的趋势。
另外一方面，股市走势具有一定的规律性。以往的交易数据反映了投资者们的态度和决策，能够一定程度上指导今后的交易决策。中国股市与外国相比，具有更强大的不稳定性。具体表现在股票走势不一定与新闻报道的影响一直。例如一篇新闻是对某只股票成利好的报道，可是股价没有上涨甚至下跌。背后蕴藏的是投资者对资本的操作，这些都无法从股市新闻中得到，但是体现在交易数据的规律中。利用深度学习在时间序列上的应用，可以有效的从历史交易数据中学习，实现股市预测。
发明内容
本发明提供一种结合新闻语料和股市交易数据的股票预测方法，该方法能够充分挖掘和利用网络股市新闻和股市交易数据的信息，从而预测股票未来的趋势情况。
为了达到上述技术效果，本发明的技术方案如下：
一种结合新闻语料和股市交易数据的股票预测方法，包括以下步骤：
S1：获取股票新闻文档集合并进行预处理，获得文档集合词向量；
S2：获取股票交易数据进行预处理，获得归一化后的交易数据和每天的分类标签；
S3：使用GRU神经网络和注意力机制对文档编码，得到文档集合向量；
S4：文档向量和交易数据进行拼接，然后按照时间顺序输入到GRU神经网络中进行预测，得到股票第二天的趋势预测结果。
进一步地，所述步骤S1的具体过程如下：
S11：提取新闻文档的发表日期，标准化为“2018-01-01”形式；
S12：对新闻文档进行分词，去除文档中所有标点符号、超链接、表情符、数字、停用词，停用词是一些没有实际含义的功能词，包括“的”、“那”、“阿”。去除文档中所有低频词，低频词是所有文档中出现次数少于5的词语；
S13：基于文档集合构建词典，词典每一行是<序号，词语>，其中序号是词语的独有编号，词典的每个词语都不相同；
S14：在过滤后的文档中，把每个词语转化成其在词典中的序号。根据word2vec算法，输入文档集合，训练出每个词语的词向量。
进一步地，所述步骤S2的具体过程如下：
S21：计算交易日的分类标签。把相邻两天交易日的收盘股价相减，具体地是后一天t1减去前一天t0，得到差值dif，然后除以第一天的收盘股价，得到变化百分比p。如果p大于0.8％，那么t0的分类标签是“上升”；如果p小于-0.8％，那么t0的分类标签是“下降”；如果p处于-0.8％到0.8％之间，那么t0的分类标签是“持平”；
S22：归一化交易数据，由于交易数据包含开盘价、收盘价、最高价、最低价、交易量、市盈率，不同维度的数据有不同的取值范围，全部使用minmax归一化操作，把取值范围限定在[0,1]区间。
进一步地，所述步骤S3的具体过程如下：
S31：把每篇文档的所有词向量按顺序输入到GRU神经网络中运算，把GRU神经网络的最后输出向量作为该文档的文档向量；
S32：然后把每天所有的文档向量输入到注意力机制，得到当天每个文档向量的权重，利用该权重对所有向量进行加权，得到每天的文档集合向量。
进一步地，所述步骤S4的具体过程如下：
S41：把每天的文档集合向量按照时间与交易数据进行拼接。如果某一天有新闻文档，但是由于节假日或者停牌没有交易数据，拼接的交易数据都为0。如果某一天没有相关新闻文档，但是有交易数据，拼接的文档集合向量都为0；
S42：把拼接后的向量按照日期顺序输入到GRU神经网络中，然后GRU神经网络每一步输出，再输入到MLP神经网络中，经过softmax层得到“上升”、“下降”、“持平”每个分类的概率，从而预测出下一个交易日的股票趋势情况。
与现有技术相比，本发明技术方案的有益效果是：
本发明方法能够充分利用网络大量的语料信息，打破传统单一分析数据来源的界限。通过深度学习模型，能够批量化分析股市新闻语料，自动判断语料对于预测的重要性，实现了网络资讯分析的自动化和精准化；利用深度学习对新闻语料和交易数据进行建模，多方面利用了不同信息，综合分析各种数据的相互关系。把握股市信息对股价的影响性、持久性、投资者的心理因素，进一步提高股市预估的准确性；使用了词向量、GRU神经网络、注意力机制等深度学习前沿技术，把科学落实到产业当中，实现科技创新。
附图说明
图1为本发明方法流程图；
图2为本发明中使用GRU网络对文档编码流程图；
图3为本发明中使用注意力机制获得文档集合向量；
图4为本发明中趋势预测图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-4所示，一种结合新闻语料和股市交易数据的股票预测方法，包括以下步骤：
S1：获取股票新闻文档集合并进行预处理，获得文档集合词向量；
S2:获取股票交易数据进行预处理，获得归一化后的交易数据和每天的分类标签；
S3：使用GRU神经网络和注意力机制对文档编码，得到文档集合向量；
S4：文档向量和交易数据进行拼接，然后按照时间顺序输入到GRU神经网络中进行预测，得到股票第二天的趋势预测结果。
本实施例中，使用从雅虎金融网页采集从2008年1月1日到2017年11月30日的股票交易数据和从Reddit WorldNews Channel采集的股票新闻数据。
步骤S1的具体过程如下：
(1)提取新闻文档的发表日期，标准化为“2018-01-01”形式。
(2)对新闻文档进行分词，去除文档中所有标点符号、超链接、表情符、数字、停用词，停用词是一些没有实际含义的功能词，包括“的”、“那”、“阿”。去除文档中所有低频词，低频词是所有文档中出现次数少于5的词语。如果处理英文文档，需要进行词干提取操作。
(3)基于文档集合构建词典，词典每一行是<序号，词语>，其中序号是词语的独有编号，词典的每个词语都不相同；
(4)在过滤后的文档中，把每个词语转化成其在词典中的序号。原本由词语表示的文档，转换成通过词典序号表示。例如一个新闻文档是“今天中国雄起”，转换成“11 1315”。其中11、13、15分别对应原本词语在词典中的序号。根据word2vec算法，输入文档集合，训练出每个词语的词向量w(300维)，得到词向量表T。词向量表T的每一行对应着词典中的词语。
步骤S2的具体过程如下：
(1)计算交易日的分类标签。把相邻两天交易日的收盘股价相减，具体地是后一天t1减去前一天t0，得到差值dif，然后除以第一天的收盘股价，得到变化百分比p。如果p大于0.8％，那么t0的分类标签L是“上升”，对应数字0；如果p小于-0.8％，那么t0的分类标签L是“下降”，对应数字1；
如果p处于-0.8％到0.8％之间，那么t0的分类标签L是“持平”，对应数字2；
运算公式如下：
dift＝pt+1-pt)/pt*100％
其中pt是t当天的收盘价，pt+1是t+1天的收盘价，dift是相邻两个交易日收盘价的变化百分比，yt是t当天的预测标签。
(2)归一化交易数据。由于交易数据包含开盘价、收盘价、最高价、最低价、交易量、市盈率，不同维度的数据有不同的取值范围，会影响到模型的性能。因此每一个维度的数据都进行minmax归一化操作，把取值范围限定在[0,1]区间。某个股票某一天的交易数据作为一个向量，记为X，归一化后的交易数据向量为X*。
归一化运算公式如下：
xi *＝(xi-ximin)/(ximax-ximin)
其中是第i维度归一化后的数值，x是第i维度的数值，ximax是第i维度的最大值，ximin是第i维度的最小值。
步骤S3的具体过程如下：
(1)如图2所示，根据一篇预处理后文档中的序号串，从词向量表T中提取相应的词向量w1,w2,…wn依次输入到GRU神经网络中运算，把GRU神经网络的最后输出向量作为该文档的文档向量d；
GRU神经网络的运算公式如下：
zt＝σ(Wzwt+Uzht-1+bz)
rt＝σ(Wrwt+Urht-1+br)
d＝hn
其中wt是t时刻输入的词向量，ht是t时刻GRU隐藏层的状态，zt和rt分别计算GRU更新门和重置门，hn是最后时刻的隐藏层状态，作为该文档的文档向量。Wz、Uz、bz、Wr、Ur、br、Wh、Uh、bh是模型学习的参数。
(2)如图3所示，把每天所有的文档向量d1,d2,…dn输入到注意力机制，得到当天每个文档向量的权重，并且利用该权重对所有向量进行加权，得到每天的文档集合向量D；
文档集合的文档向量D计算公式如下：
oi＝sigmoid(Wodi+bh)
V＝βidi
其中di是第i篇文档的文档向量，oi是文档向量的隐含表示方法，β是注意力向量。利用注意力向量β计算文档向量的权重和V。Wo、β是模型学习的参数。
所述步骤S4的具体过程如下：
(1)如图4，把每天的文档集合向量V按照时间与交易数据X*进行拼接，得到N。如果某一天一个股票有对应的文档集合向量，但是由于节假日或者停牌等原因，没有交易数据，拼接的交易数据都为0。反之，如果某一天该股票没有相关新闻，也就没有文档集合向量，但是有交易数据，拼接的文档向量也为0。
(2)如图4，把拼接后的向量N按照日期顺序输入到GRU神经网络中，然后GRU神经网络每一步输出H，经过softmax层得到“上升”、“下降”、“持平”每个分类的概率，概率最大的那个分类作为下一个交易日的预测趋势情况。
GRU神经网络的计算公式同上，softmax层计算公式：
其中N是拼接后的向量，p(y＝i|N；θ)表示属于分类i的概率，θ是学习的参数。
以上模型通过最小化softmax损失函数得到模型学习的参数。损失函数如下：
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种结合新闻语料和股市交易数据的股票预测方法，其特征在于，包括以下步骤：
S1：获取股票新闻文档集合并进行预处理，获得文档集合词向量；
S2：获取股票交易数据进行预处理，获得归一化后的交易数据和每天的分类标签；
S3：使用GRU神经网络和注意力机制对文档编码，得到文档集合向量；
S4：文档向量和交易数据进行拼接，然后按照时间顺序输入到GRU神经网络中进行预测，得到股票第二天的趋势预测结果。
2.根据权利要求1所述的结合新闻语料和股市交易数据的股票预测方法，其特征在于，所述步骤S1的具体过程如下：
S11：提取新闻文档的发表日期，标准化为“2018-01-01”形式；
S12：对新闻文档进行分词，去除文档中所有标点符号、超链接、表情符、数字、停用词，停用词是一些没有实际含义的功能词，包括“的”、“那”、“阿”。去除文档中所有低频词，低频词是所有文档中出现次数少于5的词语；
S13：基于文档集合构建词典，词典每一行是<序号，词语>，其中序号是词语的独有编号，词典的每个词语都不相同；
S14：在过滤后的文档中，把每个词语转化成其在词典中的序号。根据word2vec算法，输入文档集合，训练出每个词语的词向量。
3.根据权利要求2所述的结合新闻语料和股市交易数据的股票预测方法，其特征在于，所述步骤S2的具体过程如下：
S21：计算交易日的分类标签。把相邻两天交易日的收盘股价相减，具体地是后一天t1减去前一天t0，得到差值dif，然后除以第一天的收盘股价，得到变化百分比p。如果p大于0.8％，那么t0的分类标签是“上升”；如果p小于-0.8％，那么t0的分类标签是“下降”；如果p处于-0.8％到0.8％之间，那么t0的分类标签是“持平”；
S22：归一化交易数据，由于交易数据包含开盘价、收盘价、最高价、最低价、交易量、市盈率，不同维度的数据有不同的取值范围，全部使用minmax归一化操作，把取值范围限定在[0,1]区间。
4.根据权利要求3所述的结合新闻语料和股市交易数据的股票预测方法，其特征在于，所述步骤S3的具体过程如下：
S31：把每篇文档的所有词向量按顺序输入到GRU神经网络中运算，把GRU神经网络的最后输出向量作为该文档的文档向量；
S32：然后把每天所有的文档向量输入到注意力机制，得到当天每个文档向量的权重，利用该权重对所有向量进行加权，得到每天的文档集合向量。
5.根据权利要求4所述的结合新闻语料和股市交易数据的股票预测方法，其特征在于，所述步骤S4的具体过程如下：
S41：把每天的文档集合向量按照时间与交易数据进行拼接。如果某一天有新闻文档，但是由于节假日或者停牌没有交易数据，拼接的交易数据都为0。如果某一天没有相关新闻文档，但是有交易数据，拼接的文档集合向量都为0；
S42：把拼接后的向量按照日期顺序输入到GRU神经网络中，然后GRU神经网络每一步输出，再输入到MLP神经网络中，经过softmax层得到“上升”、“下降”、“持平”每个分类的概率，从而预测出下一个交易日的股票趋势情况。
CN201810463903.1A 2018-05-15 2018-05-15 一种结合新闻语料和股市交易数据的股票预测方法 Pending CN108647828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810463903.1A CN108647828A (zh) 2018-05-15 2018-05-15 一种结合新闻语料和股市交易数据的股票预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810463903.1A CN108647828A (zh) 2018-05-15 2018-05-15 一种结合新闻语料和股市交易数据的股票预测方法

Publications (1)

Publication Number Publication Date
CN108647828A true CN108647828A (zh) 2018-10-12

Family

ID=63756060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810463903.1A Pending CN108647828A (zh) 2018-05-15 2018-05-15 一种结合新闻语料和股市交易数据的股票预测方法

Country Status (1)

Country Link
CN (1) CN108647828A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493228A (zh) * 2018-12-12 2019-03-19 安徽省泰岳祥升软件有限公司 一种生成股票简讯模型的方法及装置
CN109598380A (zh) * 2018-12-03 2019-04-09 郑州云海信息技术有限公司 一种多元实时时序数据预测的方法和系统
CN109740729A (zh) * 2018-12-14 2019-05-10 北京中科寒武纪科技有限公司 运算方法、装置及相关产品
CN110222864A (zh) * 2019-04-26 2019-09-10 浙江工业大学 基于支持向量机的新闻极性对股票价格变化趋势预测的方法
CN110222149A (zh) * 2019-05-17 2019-09-10 华中科技大学 一种基于新闻舆情的时间序列预测方法
CN110363568A (zh) * 2019-06-06 2019-10-22 上海交通大学 融合文本多主题信息的股票价格预测方法、系统及介质
CN111178498A (zh) * 2019-12-09 2020-05-19 北京邮电大学 一种股票波动预测方法及装置
CN111696674A (zh) * 2020-06-12 2020-09-22 电子科技大学 一种电子病历的深度学习方法及系统
CN112116465A (zh) * 2020-06-04 2020-12-22 上海金融期货信息技术有限公司 基于深度学习模型的成交持仓比预测方法和系统
CN115577093A (zh) * 2022-05-26 2023-01-06 深圳格隆汇信息科技有限公司 金融信息的ai分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778215A (zh) * 2014-01-17 2014-05-07 北京理工大学 一种基于情感分析和隐马尔科夫模型融合的股市预测方法
CN106384166A (zh) * 2016-09-12 2017-02-08 中山大学 一种结合财经新闻的深度学习股市预测方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN107679680A (zh) * 2017-11-21 2018-02-09 北京锐安科技有限公司 一种金融走势预测方法、装置、设备及存储介质
CN108022016A (zh) * 2017-12-08 2018-05-11 宏谷信息科技（珠海）有限公司 一种基于人工智能的股票价格预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778215A (zh) * 2014-01-17 2014-05-07 北京理工大学 一种基于情感分析和隐马尔科夫模型融合的股市预测方法
CN106384166A (zh) * 2016-09-12 2017-02-08 中山大学 一种结合财经新闻的深度学习股市预测方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN107679680A (zh) * 2017-11-21 2018-02-09 北京锐安科技有限公司 一种金融走势预测方法、装置、设备及存储介质
CN108022016A (zh) * 2017-12-08 2018-05-11 宏谷信息科技（珠海）有限公司 一种基于人工智能的股票价格预测方法及系统

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598380A (zh) * 2018-12-03 2019-04-09 郑州云海信息技术有限公司 一种多元实时时序数据预测的方法和系统
CN109493228A (zh) * 2018-12-12 2019-03-19 安徽省泰岳祥升软件有限公司 一种生成股票简讯模型的方法及装置
CN109740729A (zh) * 2018-12-14 2019-05-10 北京中科寒武纪科技有限公司 运算方法、装置及相关产品
CN109740729B (zh) * 2018-12-14 2020-12-22 安徽寒武纪信息科技有限公司 运算方法、装置及相关产品
CN110222864A (zh) * 2019-04-26 2019-09-10 浙江工业大学 基于支持向量机的新闻极性对股票价格变化趋势预测的方法
CN110222149A (zh) * 2019-05-17 2019-09-10 华中科技大学 一种基于新闻舆情的时间序列预测方法
CN110363568B (zh) * 2019-06-06 2022-02-25 上海交通大学 融合文本多主题信息的股票价格预测方法、系统及介质
CN110363568A (zh) * 2019-06-06 2019-10-22 上海交通大学 融合文本多主题信息的股票价格预测方法、系统及介质
CN111178498A (zh) * 2019-12-09 2020-05-19 北京邮电大学 一种股票波动预测方法及装置
CN111178498B (zh) * 2019-12-09 2023-08-22 北京邮电大学 一种股票波动预测方法及装置
CN112116465A (zh) * 2020-06-04 2020-12-22 上海金融期货信息技术有限公司 基于深度学习模型的成交持仓比预测方法和系统
CN112116465B (zh) * 2020-06-04 2023-09-29 上海金融期货信息技术有限公司 基于深度学习模型的成交持仓比预测方法和系统
CN111696674A (zh) * 2020-06-12 2020-09-22 电子科技大学 一种电子病历的深度学习方法及系统
CN111696674B (zh) * 2020-06-12 2023-09-08 电子科技大学 一种电子病历的深度学习方法及系统
CN115577093A (zh) * 2022-05-26 2023-01-06 深圳格隆汇信息科技有限公司 金融信息的ai分析方法及系统
CN115577093B (zh) * 2022-05-26 2023-05-16 深圳格隆汇信息科技有限公司 金融信息的ai分析方法及系统

Similar Documents

Publication Publication Date Title
CN108647828A (zh) 一种结合新闻语料和股市交易数据的股票预测方法
Cavalli et al. CNN-based multivariate data analysis for bitcoin trend prediction
Shah et al. Predicting the effects of news sentiments on the stock market
Khedr et al. Predicting stock market behavior using data mining technique and news sentiment analysis
Farimani et al. Investigating the informativeness of technical indicators and news sentiment in financial market price prediction
CN108694476A (zh) 一种结合财经新闻的卷积神经网络股票价格波动预测方法
Mehta et al. Stock price prediction using machine learning and sentiment analysis
Fu et al. A sentiment-aware trading volume prediction model for P2P market using LSTM
Mishev et al. Forecasting corporate revenue by using deep-learning methodologies
CN111681107A (zh) 一种基于Embedding的实时个性化金融产品推荐算法
Kumar et al. Emotion analysis of news and social media text for stock price prediction using svm-lstm-gru composite model
Wimmer et al. Leveraging vision-language models for granular market change prediction
Darena et al. Machine learning-based analysis of the association between online texts and stock price movements
Aue et al. Predicting Companies' ESG Ratings from News Articles Using Multivariate Timeseries Analysis
Luo et al. L1-regularized logistic regression for event-driven stock market prediction
Nguyen et al. RDP 2020-08: Start Spreading the News: News Sentiment and Economic Activity in Australia
Wei et al. Stock trend prediction using financial market news and BERT
Andrawos NLP in stock market prediction: a review
Gillmann et al. Quantification of Economic Uncertainty: a deep learning approach
Ruhal et al. A Comparative Study Of Statistical Methods And Machine Learning Approaches For Stock Price Prediction
Nimje et al. Prediction on stocks using data mining
Li et al. The effect of chairman’s statement tone changes in annual reports from Hong Kong
Islam et al. Stock market prediction of Bangladesh using multivariate long short-term memory with sentiment identification.
Thethi et al. Stock market prediction and portfolio management using ml techniques
Solberg et al. The predictive power of earnings conference calls: predicting stock price movement with earnings call transcripts

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181012