CN109086927A - 结合大数据舆情分析与融合模型的多因子交易方法 - Google Patents

结合大数据舆情分析与融合模型的多因子交易方法 Download PDF

Info

Publication number
CN109086927A
CN109086927A CN201810832706.2A CN201810832706A CN109086927A CN 109086927 A CN109086927 A CN 109086927A CN 201810832706 A CN201810832706 A CN 201810832706A CN 109086927 A CN109086927 A CN 109086927A
Authority
CN
China
Prior art keywords
transaction
model
target
factor
information
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
CN201810832706.2A
Other languages
English (en)
Inventor
徐斌辰
康琦
马璐
潘乐
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN201810832706.2A priority Critical patent/CN109086927A/zh
Publication of CN109086927A publication Critical patent/CN109086927A/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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请涉及一种结合大数据舆情分析与融合模型的多因子交易方法，属于计算机技术领域，该方法包括：获取用户对目标交易对象的评论信息；根据所述评论信息对至少一种交易因子进行预处理；将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入融合模型进行回测，得到所述目标交易对象的预测交易数据；将所述预测交易数据发送至客户端；可以解决终端仅根据目标交易对象的历史交易数据预测买卖时机，导致预测结果不准确的问题；由于交易因子是根据评论信息进行预处理的，因此，得到的预测交易数据是用户关注的交易数据的可能性较高，因此，可以提高预测结果的准确性。

Description

结合大数据舆情分析与融合模型的多因子交易方法
技术领域
本发明涉及一种结合大数据舆情分析与融合模型的多因子交易方法，属于计算机技术领域。
背景技术
量化投资的兴起，与上个世纪计算机业的蓬勃发展，金融市场以及金融市场理论的不断完善密不可分。目前的量化投资策略可以融合运用现代金融理论、统计学、数学，以及计算机学方面的成果，朝着复杂性和多样性的方向发展。大量前沿理论的应用也极大的丰富了量化投资的外延和内涵，同时极大的增强了量化投资发展的生命力。经过半个多世纪的发展，量化投资已经越来越被业界所认识和熟悉。
目前，在量化投资的过程中，计算机仅使用股票的交易相关数据计算出出买卖实际、买卖数量等推荐结果，但是给出的推荐结果的准确性并不高。
发明内容
本发明的目的在于提供一种结合大数据舆情分析与融合模型的多因子交易方法的技术方案。为达到上述目的，本发明提供如下技术方案：所述方法包括：
获取用户对目标交易对象的评论信息；
根据所述评论信息对至少一种交易因子进行预处理；
将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入融合模型进行回测，得到所述目标交易对象的预测交易数据；
将所述预测交易数据发送至客户端，所述预测交易数据用于供所述客户端对应的用户确定是否对所述目标交易对象进行交易。
可选地，所述将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入融合模型进行回测，包括：
将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入第一融合模型进行非行业中性回测；和/或，
将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入第二融合模型进行行业中性回测。
可选地，所述评论信息包括以下信息中的至少一种：
是否推荐对所述目标交易对象进行交易；
对所述目标交易对象进行交易时的时间；
对所述目标交易对象进行交易时的价格；
所述目标交易对象交易之后的盈利能力；
所述目标交易对象交易之后的风险指数。
可选地，所述根据所述评论信息对至少一种交易因子进行预处理，包括：
将所述评论信息与各个交易因子进行匹配；
降低与评论信息的匹配度低于预设阈值的交易因子的权重。
可选地，所述目标交易对象为股票，所述至少一种交易因子还包括以下信息中的至少一种：
目标股票的选股指标为盈利收益率EP时的分值；
目标股票的选股指标为账面市值比BM时的分值；
目标股票的选股指标为现金收益率CR时的分值；
目标股票的选股指标为资产收益率变动ROAC时的分值；
目标股票的选股指标为市盈率相对盈利增长比率PEG时的分值。
可选地，所述融合模型包括随机森林Random forest模型、LightGBM模型、xgboost模型、stacking模型和bagging模型；其中，Random forest模型用于对数据进行分类，所述LightGBM模型和所述xgboost模型用于对数据进行回归；所述stacking模型和所述bagging模型用于融合其它模型的输出结果，得到新的输出结果。
可选地，所述将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入融合模型之前，所述方法还包括：
将所述目标交易对象的历史交易信息和历史交易因子依次输入所述Randomforest模型、所述LightGBM模型、所述xgboost模型、所述stacking模型和所述bagging模型，得到训练结果；
将所述训练结果与所述历史交易信息对应的历史交易数据进行比较，得到比较结果，所述历史交易数据是根据所述历史交易信息进行真实的交易时的交易数据；
检测所述比较结果是否满足预设的训练指标；
在不满足所述预设的训练指标时，调整所述融合模型中的模型参数，重新执行所述将所述目标交易对象的历史交易信息和历史交易因子依次输入所述Random forest模型、所述LightGBM模型、所述xgboost模型、所述stacking模型和所述bagging模型，得到训练结果的步骤，直至所述比较结果满足所述训练指标时停止。
可选地，所述预设的训练指标包括以下几种指标中的至少一种：
所述训练结果与所述历史交易数据之间的相关系数指标；
所述训练结果与所述历史交易数据的平均值之间的比例指标；
所述训练结果与所述历史交易数据之间的误差的平方根的均值指标；
所述融合模型分类的精确度指标；
所述训练结果与所述历史交易数据之间的对数损失指标。
可选地，所述目标交易对象的相关交易信息包括所述目标交易对象每年的相关交易信息和/或每月的相关交易信息。
可选地，所述相关交易信息包括以下信息中的至少一种：开盘价、收盘价、最高价和最低价。
本发明的有益效果在于：通过在进行多因子交易的过程中获取评论信息，根据该评论信息对各个交易因子进行预处理；然后，将预处理后的至少一种交易因子和目标交易对象的相关交易信息输入融合模型进行回测，得到目标交易对象的预测交易数据；将预测交易数据发送至客户端；可以解决终端仅根据目标交易对象的历史交易数据预测买卖时机，导致预测结果不准确的问题；由于交易因子是根据评论信息进行预处理的，因此，得到的预测交易数据是用户关注的交易数据的可能性较高，因此，可以提高预测结果的准确性。
另外，通过将至少两种模型结合得到融合模型，通过该融合模型来确定预测交易数据，可以避免使用单一的模型导致预测结果不够精确的问题；可以提高预测结果的准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的结合大数据舆情分析与融合模型的多因子交易方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1是本申请一个实施例提供的结合大数据舆情分析与融合模型的多因子交易方法的流程图。该方法可以应用于手机、计算机、平板电脑、可穿戴式设备等提供交易功能的终端中，该方法至少包括以下几个步骤：
步骤101，获取用户对目标交易对象的评论信息。
目标交易对象可以是股票、贵金属、基金、债券等，本实施例不对目标交易对象的类型作限定。
评论信息是指用户发布的对目标交易对象评论，评论信息包括但不限于：是否推荐对所述目标交易对象进行交易；对所述目标交易对象进行交易时的时间；对所述目标交易对象进行交易时的价格；所述目标交易对象交易之后的盈利能力；所述目标交易对象交易之后的风险指数。
为了保证评论信息具有权威性，终端可以只获取指定用户发布的评论信息，该指定用户可以是具有交易经验的用户；或者，具有交易知识的用户。当然，终端可以获取所有用户发布的评论信息，本实施例对此不作限定。
步骤102，根据评论信息对至少一种交易因子进行预处理。
其中，交易因子包括但不限于以下几种：目标股票的选股指标为盈利收益率EP时的分值；目标股票的选股指标为账面市值比BM时的分值；目标股票的选股指标为现金收益率CR时的分值；目标股票的选股指标为资产收益率变动ROAC时的分值；目标股票的选股指标为市盈率相对盈利增长比率PEG时的分值。
可选地，终端将评论信息与各个交易因子进行匹配；降低与评论信息的匹配度低于预设阈值的交易因子的权重。
可选地，将评论信息与各个交易因子进行匹配是指：对于某一交易因子，将评论信息指示的盈利情况与交易因子指示的盈利情况进行匹配；在评论信息指示的盈利情况与交易因子指示的盈利情况之间的盈利差距小于差距阈值时，确定评论信息与该交易因子匹配。
由于每个交易因子具有对应的权重，终端会根据交易因子对应的权重对各个交易因子进行综合评分，而与评论信息的匹配度低的交易因子说明受用户关注的概率低，因此，可以降低该交易因子的权重，从而提高用户关注的交易因子所占的评分比例，提高终端推荐的交易对象为用户期望的交易对象的概率。
步骤103，将预处理后的至少一种交易因子和目标交易对象的相关交易信息输入融合模型进行回测，得到目标交易对象的预测交易数据。
可选地，终端将预处理后的至少一种交易因子和目标交易对象的相关交易信息输入第一融合模型进行非行业中性回测；和/或，将预处理后的至少一种交易因子和目标交易对象的相关交易信息输入第二融合模型进行行业中性回测。
其中，行业中性回测是指针对某一行业融合模型的回测结果；非行业中性回测是指不考虑行业因素时融合模型的回测结果。回测是指设定了某些股票指标组合后，基于历史已经发生过的真实行情数据，在历史上某一个时间点开始，严格按照设定的组合进行选股，并模拟真实金融市场交易的规则进行模型买入、模型卖出，得出一个时间段内的盈利率、最大回撤率等数据的过程。
目标交易对象的相关交易信息包括目标交易对象每年的相关交易信息和/或每月的相关交易信息。可选地，相关交易信息包括以下信息中的至少一种：开盘价、收盘价、最高价和最低价。
可选地，融合模型包括随机森林Random forest模型、LightGBM模型、xgboost模型、stacking模型和bagging模型；其中，Random forest模型用于对数据进行分类，LightGBM模型和xgboost模型用于对数据进行回归；stacking模型和bagging模型用于融合其它模型的输出结果，得到新的输出结果。
其中，Random forest模型用以执行回归和分类任务的多功能机器学习算法，是一种数据降维手段，用于处理缺失值、异常值以及其他数据探索。Random forest模型的原理如下：用N来表示训练用例(样本)的个数，M表示特征数目；在Random forest模型中输入特征数目m，用于确定决策树上一个节点的决策结果，其中m应远小于M；从N个训练用例(样本)中以有放回抽样的方式，取样N次，形成一个训练集，并用未抽到的用例(样本)作预测，评估其误差；对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的；根据这m个特征，计算其最佳的分裂方式；每棵树都会完整成长而不会剪枝。
LightGBM模型采用直方图Histogram算法，其主要思想是将连续的浮点特征离散成k个离散值，并构造宽度为k的直方图；然后，遍历训练数据，统计每个离散值在直方图中的累计统计量；在进行特征选择时，只需要根据直方图的离散值，遍历寻找最优的分割点。
极值梯度提升(eXtreme Gradient Boosting，xgboost)模型内部使用的是决策树，决策树的具体选择可以是回归树(回归问题)，也可以是分类树(分类问题)。xgboost模型的原理如下：初始化样本到树节点的位置映射关系；初始化待分割的叶子节点列表；计算待分割叶子节点的权重、增益、梯度统计量；寻找分割点，基于分割点创建左右叶子节点；基于分割点分配样本到新的左右叶子节点；初始化新的待分割的叶子节点列表，计算待分割叶子节点的权重、增益、梯度统计量，直至决策树达到指定深度为止，并未最终叶子节点计算权重。
stacking模型是一种分层模型集成框架。以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为训练集进行再训练，从而得到完整的stacking模型。stacking模型的原理如下：划分训练数据集为两个不相交的集合；在第一个集合上训练多个学习器；在第二个集合上测试这几个学习器；把得到的预测结果作为输入，把正确的回应作为输出，训练一个高层学习器。
套袋(bagging)模型是指将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大的分类器的模型。bagging模型的原理如下：从原始样本集中抽取训练集；每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本(在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中)；共进行k轮抽取，得到k个训练集，k个训练集之间相互独立；每次使用一个训练集得到一个模型，k个训练集共得到k个模型；对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。其中，Bootstrapping算法是指利用有限的样本资料经由多次重复抽样，重新建立起足以代表母体样本分布的新样本。
步骤104，将预测交易数据发送至客户端，该预测交易数据用于供客户端对应的用户确定是否对目标交易对象进行交易。
可选地，预测交易数据包括：目标交易对象的买卖时机，和/或，目标交易对象的买卖数量。
可选地，客户端用于为用户提供目标交易对象的交易功能。
综上所述，本实施例提供的结合大数据舆情分析与融合模型的多因子交易方法，通过在进行多因子交易的过程中获取评论信息，根据该评论信息对各个交易因子进行预处理；然后，将预处理后的至少一种交易因子和目标交易对象的相关交易信息输入融合模型进行回测，得到目标交易对象的预测交易数据；将预测交易数据发送至客户端；可以解决终端仅根据目标交易对象的历史交易数据预测买卖时机，导致预测结果不准确的问题；由于交易因子是根据评论信息进行预处理的，因此，得到的预测交易数据是用户关注的交易数据的可能性较高，因此，可以提高预测结果的准确性。
另外，通过将至少两种模型结合得到融合模型，通过该融合模型来确定预测交易数据，可以避免使用单一的模型导致预测结果不够精确的问题；可以提高预测结果的准确性。
基于上述实施例，在步骤103之前，本申请提供的结合大数据舆情分析与融合模型的多因子交易方法还包括：将目标交易对象的历史交易信息和历史交易因子依次输入Random forest模型、LightGBM模型、xgboost模型、stacking模型和bagging模型，得到训练结果；将训练结果与历史交易信息对应的历史交易数据进行比较，得到比较结果，该历史交易数据是根据历史交易信息进行真实的交易时的交易数据；检测比较结果是否满足预设的训练指标；在不满足预设的训练指标时，调整融合模型中的模型参数，重新执行将目标交易对象的历史交易信息和历史交易因子依次输入Random forest模型、LightGBM模型、xgboost模型、stacking模型和bagging模型，得到训练结果的步骤，直至比较结果满足训练指标时停止。
其中，预设的训练指标包括以下几种指标中的至少一种：训练结果与历史交易数据之间的相关系数指标corr指标；训练结果与历史交易数据的平均值之间的比例指标R2指标；训练结果与历史交易数据之间的误差的平方根的均值指标rmse指标；融合模型分类的精确度指标auc指标；训练结果与历史交易数据之间的对数损失指标logloss指标。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种结合大数据舆情分析与融合模型的多因子交易方法，其特征在于，所述方法包括：
获取用户对目标交易对象的评论信息；
根据所述评论信息对至少一种交易因子进行预处理；
将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入融合模型进行回测，得到所述目标交易对象的预测交易数据；
将所述预测交易数据发送至客户端，所述预测交易数据用于供所述客户端对应的用户确定是否对所述目标交易对象进行交易。
2.根据权利要求1所述的方法，其特征在于，所述将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入融合模型进行回测，包括：
将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入第一融合模型进行非行业中性回测；和/或，
将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入第二融合模型进行行业中性回测。
3.根据权利要求1所述的方法，其特征在于，所述评论信息包括以下信息中的至少一种：
是否推荐对所述目标交易对象进行交易；
对所述目标交易对象进行交易时的时间；
对所述目标交易对象进行交易时的价格；
所述目标交易对象交易之后的盈利能力；
所述目标交易对象交易之后的风险指数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述评论信息对至少一种交易因子进行预处理，包括：
将所述评论信息与各个交易因子进行匹配；
降低与评论信息的匹配度低于预设阈值的交易因子的权重。
5.根据权利要求1所述的方法，其特征在于，所述目标交易对象为股票，所述至少一种交易因子还包括以下信息中的至少一种：
目标股票的选股指标为盈利收益率EP时的分值；
目标股票的选股指标为账面市值比BM时的分值；
目标股票的选股指标为现金收益率CR时的分值；
目标股票的选股指标为资产收益率变动ROAC时的分值；
目标股票的选股指标为市盈率相对盈利增长比率PEG时的分值。
6.根据权利要求1至5任一所述的方法，其特征在于，所述融合模型包括随机森林Random forest模型、LightGBM模型、xgboost模型、stacking模型和bagging模型；其中，Random forest模型用于对数据进行分类，所述LightGBM模型和所述xgboost模型用于对数据进行回归；所述stacking模型和所述bagging模型用于融合其它模型的输出结果，得到新的输出结果。
7.根据权利要求6所述的方法，其特征在于，所述将预处理后的至少一种交易因子和所述目标交易对象的相关交易信息输入融合模型之前，所述方法还包括：
将所述目标交易对象的历史交易信息和历史交易因子依次输入所述Random forest模型、所述LightGBM模型、所述xgboost模型、所述stacking模型和所述bagging模型，得到训练结果；
将所述训练结果与所述历史交易信息对应的历史交易数据进行比较，得到比较结果，所述历史交易数据是根据所述历史交易信息进行真实的交易时的交易数据；
检测所述比较结果是否满足预设的训练指标；
在不满足所述预设的训练指标时，调整所述融合模型中的模型参数，重新执行所述将所述目标交易对象的历史交易信息和历史交易因子依次输入所述Random forest模型、所述LightGBM模型、所述xgboost模型、所述stacking模型和所述bagging模型，得到训练结果的步骤，直至所述比较结果满足所述训练指标时停止。
8.根据权利要求7所述的方法，其特征在于，所述预设的训练指标包括以下几种指标中的至少一种：
所述训练结果与所述历史交易数据之间的相关系数指标；
所述训练结果与所述历史交易数据的平均值之间的比例指标；
所述训练结果与所述历史交易数据之间的误差的平方根的均值指标；
所述融合模型分类的精确度指标；
所述训练结果与所述历史交易数据之间的对数损失指标。
9.根据权利要求1所述的方法，其特征在于，所述目标交易对象的相关交易信息包括所述目标交易对象每年的相关交易信息和/或每月的相关交易信息。
10.根据权利要求9所述的方法，其特征在于，所述相关交易信息包括以下信息中的至少一种：开盘价、收盘价、最高价和最低价。
CN201810832706.2A 2018-07-26 2018-07-26 结合大数据舆情分析与融合模型的多因子交易方法 Pending CN109086927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810832706.2A CN109086927A (zh) 2018-07-26 2018-07-26 结合大数据舆情分析与融合模型的多因子交易方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810832706.2A CN109086927A (zh) 2018-07-26 2018-07-26 结合大数据舆情分析与融合模型的多因子交易方法

Publications (1)

Publication Number Publication Date
CN109086927A true CN109086927A (zh) 2018-12-25

Family

ID=64830966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810832706.2A Pending CN109086927A (zh) 2018-07-26 2018-07-26 结合大数据舆情分析与融合模型的多因子交易方法

Country Status (1)

Country Link
CN (1) CN109086927A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127084A (zh) * 2019-12-11 2020-05-08 广州优策科技有限公司 交易量预测的方法、装置、可读存储介质及电子设备
CN112787878A (zh) * 2019-11-08 2021-05-11 大唐移动通信设备有限公司 一种网络指标的预测方法及电子设备
CN113362179A (zh) * 2021-06-30 2021-09-07 中国农业银行股份有限公司 交易数据的预测方法、装置、设备、存储介质及程序产品
CN114219184A (zh) * 2022-01-24 2022-03-22 中国工商银行股份有限公司 产品交易数据预测方法、装置、设备、介质和程序产品

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112787878A (zh) * 2019-11-08 2021-05-11 大唐移动通信设备有限公司 一种网络指标的预测方法及电子设备
CN112787878B (zh) * 2019-11-08 2023-03-14 大唐移动通信设备有限公司 一种网络指标的预测方法及电子设备
CN111127084A (zh) * 2019-12-11 2020-05-08 广州优策科技有限公司 交易量预测的方法、装置、可读存储介质及电子设备
CN113362179A (zh) * 2021-06-30 2021-09-07 中国农业银行股份有限公司 交易数据的预测方法、装置、设备、存储介质及程序产品
CN113362179B (zh) * 2021-06-30 2024-01-30 中国农业银行股份有限公司 交易数据的预测方法、装置、设备、存储介质及程序产品
CN114219184A (zh) * 2022-01-24 2022-03-22 中国工商银行股份有限公司 产品交易数据预测方法、装置、设备、介质和程序产品

Similar Documents

Publication Publication Date Title
CN109086927A (zh) 结合大数据舆情分析与融合模型的多因子交易方法
TW202022769A (zh) 風險辨識模型訓練方法、裝置及伺服器
US11645522B2 (en) Method and system using machine learning for prediction of stocks and/or other market instruments price volatility, movements and future pricing by applying random forest based techniques
JP2004500641A (ja) 自動的にクレジットスコアの評価値を推定する方法とシステム
KR20010102452A (ko) 가치를 찾고 위험을 줄이기 위한 방법 및 시스템
JP2004506959A (ja) 情報が欠けた状態での評価値予測モデル
JP2003535387A (ja) 金融商品等の資産ポートフォリオの高速評価
Wei et al. Twitter volume spikes and stock options pricing
JP2003526147A (ja) 自動的にポートフォリオ記述統計値を求める相互相関ツール
CN109345050A (zh) 一种量化交易预测方法、装置及设备
CN108182597A (zh) 一种基于决策树和逻辑回归的点击率预估方法
CN111738856A (zh) 一种股票舆情投资决策分析方法及装置
Miciuła The concept of FTS analysis in forecasting trends of exchange rate changes
CN107944681A (zh) 一种基于资产定价模型的股票分析师信用评级方法
US8738487B1 (en) Apparatus and method for processing data
Rérolle The fair value debate: from accounting utopia to financial realism
Jethwani et al. Indian agriculture GDP and non performing assets: A regression model
Xie et al. Trade, finance, specialization and synchronization in the Asia-Pacific
Mullings Do central bank sentiment shocks affect liquidity within the European Monetary Union? A computational linguistics approach
Abdullah et al. Stock market prediction model using TPWS and association rules mining
CN111612626A (zh) 一种债券评估数据预处理方法和装置
Lin The effect of Dow Jones industrial average index component changes on stock returns and trading volumes
Plotnikova et al. The application of methods of semantic and correlation analysis through studies of the annual reports of Russian companies according to the principle of integrated reporting “Reliability and completeness”
Mahajan et al. A Multi-Strategic Approach to Automated Trading
CN107886435A (zh) 基于分级目标评价的策略生成方法、设备及存储介质

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: 20181225