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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 12
- 230000007423 decrease Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 230000002688 persistence Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 235000000100 Hibiscus rosa sinensis Nutrition 0.000 description 1
- 240000008254 Rosa chinensis Species 0.000 description 1
- 235000000664 Rosa chinensis Nutrition 0.000 description 1
- 235000016785 Rosa della China Nutrition 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
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。
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)
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)
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 |
-
2018
- 2018-05-15 CN CN201810463903.1A patent/CN108647828A/zh active Pending
Patent Citations (5)
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)
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 |