CN109360107A - 一种证券分析方法、装置及其存储介质 - Google Patents

Abstract

本发明提供了一种证券分析方法、装置及其存储介质，涉及证券分析量化交易技术领域。该方法包括：从预设网络数据获取对象处获取证券相关信息；基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值；若影响程度达到可交易阈值，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点；若预期价格达到可交易点，所述信息对所述指定证券的影响方向以及所述预期价格的走势一致时，向分析师发送交易提醒信号。该方法结合机器学习方式采用文本分析模型和证券价格预测模型进行证券分析，提高了证券分析的全面性和准确性。

Description

一种证券分析方法、装置及其存储介质

技术领域

本发明涉及证券分析量化交易技术领域，具体而言，涉及一种证券分析方法、装置及其存储介质。

背景技术

传统的证券分析往往需要金融专业人士对证券的相关信息和庞大的证券交易数据进行收集和汇总后，再对其进行人工分析获得证券处理建议。随着金融证券市场的迅速发展，证券交易的规模也随之扩大，影响证券交易的信息也呈爆炸式增长，采用传统的人工分析方式已经无法满足如今的证券分析需求。因此，采用现代的信息技术手段进行证券分析的方式应运而生，现有的证券分析方式基于证券分析分为技术分析或基本面分析进行，存在证券分析不全面的问题。

发明内容

有鉴于此，本发明实施例的目的在于提供一种证券分析方法、装置及其存储介质，以解决上述问题。

第一方面，本发明实施例提供了一种证券分析方法，所述证券分析方法包括：从预设网络数据获取对象处获取证券相关信息；基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值；若所述信息对指定证券的影响程度达到可交易阈值，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点；若所述指定证券的预期价格达到可交易点，判断所述信息对所述指定证券的影响方向以及所述预期价格的走势是否一致，若是，向分析师发送交易提醒信号。

综合第一方面，所述从预设网络数据获取对象处获取证券相关信息，包括：通过网络爬虫监听所述预设网络数据获取对象并获取所述证券相关信息。

综合第一方面，在所述采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值之前，所述证券分析方法还包括：从预设网络数据获取对象处获取历史证券相关信息；对所述信息进行所属证券板块、对证券影响方向以及对证券影响程度的标注；将标注后的信息分割成训练集和测试集，基于所述训练集构建所述文本分析模型，基于所述测试集对所述文本分析模型进行优化。

综合第一方面，在所述对所述信息进行所属证券板块、对证券影响方向以及对证券影响程度的标注之后，以及在所述将标注后的信息分割成训练集和测试集之前，所述证券分析方法还包括：删除标注后信息中的短文本，并对所述信息进行分词、去停用词、词频分析和特征编码处理。

综合第一方面，所述获取所述指定证券的证券交易数据，包括：通过证券交易数据调用应用程序接口调用所述指定证券的证券交易数据。

综合第一方面，在所述采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点之前，所述证券分析方法还包括：获取历史证券交易数据；对所述数据进行清洗、转换和聚合处理；基于证券交易规则和证券业务属性对处理后的数据构建特征，并基于所述特征对所述数据进行初步筛选；将筛选后的数据分割为训练集和测试集，基于所述训练集构建所述证券价格预测模型，基于所述测试集对所述证券价格预测模型进行优化。

综合第一方面，所述将筛选后的数据分割为训练集和测试集，包括：基于证券编号将筛选后的数据分割为训练集和测试集。

综合第一方面，所述证券价格预测模型包括价格趋势预测子模型和交易点识别子模型，所述基于所述训练集构建所述证券价格预测模型，包括：沿时间轴将所述训练集中的证券价格变化趋势打上标签，基于打过标签的训练集构建所述价格趋势预测子模型；采用蜡烛图技术、趋势分析指标和/或动量理论技术，基于所述训练集构建所述交易点识别子模型。

第二方面，本发明实施例提供了一种证券分析装置，所述证券分析装置包括：信息获取模块，用于从预设网络数据获取对象处获取证券相关信息；影响判断模块，用于基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值；交易判断模块，用于在所述信息对指定证券的影响程度达到可交易阈值时，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点；提醒模块，用于在所述指定证券的预期价格达到可交易点时，判断所述信息对所述指定证券的影响方向以及所述预期价格的走势是否一致，若是，向分析师发送交易提醒信号。

第三方面，本发明实施例还提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一方面所述方法中的步骤。

本发明提供的有益效果是：

本发明提供了一种证券分析方法、装置及其存储介质，该证券分析方法通过文本分析模型和证券价格预测模型将证券交易的基本面分析和技术面分析相结合，利用机器学习的方法对基本面信息和证券历史交易信息进行深度挖掘，形成一套证券分析及交易的完整系统，提高了证券分析的完整性；该方法还在证券相关信息对证券影响方向以及证券的预期价格的走势一致时判定需要向分析师发送交易提醒信号，进一步提高了证券分析方法的准确性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明第一实施例提供的一种证券分析方法的流程示意图；

图2为本发明第一实施例提供的一种应用于基本面证券相关信息获取的爬虫架构的结构示意图；

图3为本发明第一实施例提供的一种文本分析模型的建立步骤的流程示意图；

图4为本发明第一实施例提供的一种证券价格预测模型的建立步骤的流程示意图；

图5为本发明第一实施例提供的一种应用于技术面证券交易数据的调用架构的结构示意图；

图6为本发明第二实施例提供的一种证券分析装置的模块示意图；

图7为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。

图标：100-爬虫架构；101-维护主机；102-爬取主机；103-处理主机；104-数据库；200-调用架构；201-网络API；202-数据请求主机；203-数据检查和校验主机；204-数据库；300-证券分析装置；310-信息获取模块；320-影响判断模块；330-交易判断模块；340-提醒模块；400-电子设备；401-存储器；402-存储控制器；403-处理器；404-外设接口；405-输入输出单元；406-音频单元；407-显示单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面首先对本发明实施例需要设计到的专业术语进行解释：

基本面分析是通过证券所处的行业、国际形势、经济形势、公司发展情况及各种获取到的信息做分析和处理，对证券未来运行的价格趋势作预测的一种分析方式。基本面分析是从本质上来说是一种因果分析，通过对证券的影响因素影响因子的重要性及方向性来研判证券的未来走势情况。

技术分析通过分析证券市场过去和现在的市场行为(成交价、成交量、价格变化的时间和空间)，来预测证券价格未来的变化趋势。证券技术分析是一种历史悠久的分析技术，自15世纪日本人通过蜡烛图来研究有大米价格走势开始，就逐渐形成了对证券分析的大量的技术分析理论。日本蜡烛图技术、道氏理论、江恩理论、波浪理论等的相继提出开创了利用科学的方法寻求证券价格变化的规律，证券技术分析从以道氏理论为基础，包括三大基本假设：其一是市场行为涵盖一切信息，影响股票价格变化的所有因素都会反映在市场行为中；其二是价格运动包含一定趋势；其三是历史会重演。

第一实施例

经本申请人研究发现，现有的证券分析方式仅仅通过基本面分析或技术分析对证券的未来走势进行预测，事实上，技术分析派和基本面分析派都试图解决过同样一个问题，即预测价格变化的方向，但分析的方向不大相同。基本面分析派追求市场运动的前因，而技术派则是研究其后果。技术分析派理所当然地认为“后果”就是所需的全部材料，而理由、原因等无关紧要，而基本面分析派则非得刨根究底。长期以来，证券分析两方面互相不认可，基本面分析派不认可技术分析的根本假设，认为假设不合理；技术分析派认为理论基础非常完备，认为没必要进行基本面分析。因此现有的证券分析方式都是二者选择其一进行分析，存在分析资料利用不充分、分析结果不全面的问题。为了解决上述问题，本发明第一实施例提供了一种证券分析方法。应当注意的是，本发明任一实施例中的证券分析方法的执行主体可以是计算机、智能手机、云服务器或其他具备逻辑运算能力的处理设备。

请参考图1，图1为本发明第一实施例提供的一种证券分析方法的流程示意图。该证券分析方法的具体步骤可以如下：

步骤S20：从预设网络数据获取对象处获取证券相关信息。

本实施例中的证券相关信息包括财经媒体或其他媒体发布的所有可能引起证券市场波动的政策、财经或公司新闻等。预设网络数据获取对象可以是重点新闻门户和财经消息网站，或者是其他可以获取证券相关信息的网络数据库。

步骤S40：基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值。

文本分析模型基于证券相关信息对证券价格的影响程度及价格走向，证券相关信息对证券价格的影响程度可以由基于历史数据确定的影响因素阈值(即可交易阈值)判定如果影响程度超过该阈值，则认为该消息对交易有利，否则认为消息对交易无意义，不做任何动作。

步骤S60：若所述信息对指定证券的影响程度达到可交易阈值，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点。

证券交易数据可以为股票等证券的实时交易数据，证券价格预测模型是基于证券价格随时间变化数据以及日本蜡烛图技术等证券分析理论建立的模型。

步骤S80：若所述指定证券的预期价格达到可交易点，判断所述信息对所述指定证券的影响方向以及所述预期价格的走势是否一致，若是，向分析师发送交易提醒信号。

本实施例提供上述证券分析方法通过文本分析模型和证券价格预测模型将证券交易的基本面分析和技术面分析相结合，利用机器学习的方法对基本面信息和证券历史交易信息进行深度挖掘，形成一套证券分析及交易的完整系统，提高了证券分析的完整性；该方法还在证券相关信息对证券影响方向以及证券的预期价格的走势一致时判定需要向分析师发送交易提醒信号，进一步提高了证券分析方法的准确性。

针对步骤S20，作为一种可选的实施方式，所述“从预设网络数据获取对象处获取证券相关信息”的具体方式可以为：通过网络爬虫监听所述预设网络数据获取对象并获取所述证券相关信息。其中，网络爬虫(又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

进一步地，请参考图2，图2为本发明第一实施例提供的一种应用于基本面证券相关信息获取的爬虫架构的结构示意图。该爬虫架构100包括用于维护页面地址的维护主机101(如果页面量不大可以不用该主机)，用于爬取页面消息的爬取主机102，用于对消息数据作提取和爬取数据去重的处理主机103，用于数据存储及页面存储的数据库104。本实施例中的爬虫架构100的运行原理为：通过维护主机101维护需要爬取页面的统一资源定位符(Uniform Resource Locator,URL)地址，并将需爬取地址存放在数据库104，由爬取主机102对数据库104中的地址一一爬取，获取页面详细数据，再由处理主机103对页面数据作解析，抽取出证券基本面信息并将消息与存放数据库104中的最近历史信息作比对，确定该消息是最新消息，然后存放进数据库104。

应当理解的是，在执行步骤S40之前，还需要建立文本分析模型，请参考图3，图3为本发明第一实施例提供的一种文本分析模型的建立步骤的流程示意图。该文本分析模型的建立步骤具体可以如下：

步骤S31：从预设网络数据获取对象处获取历史证券相关信息。

本步骤可以通过编程语言编写网络爬虫脚本，对各门户网站和财经网站进行高频、不间断地实时信息爬取，并将当前及历史证券相关信息存放在本地数据库中。

步骤S32：对所述信息进行所属证券板块、对证券影响方向以及对证券影响程度的标注。

在本步骤中需要对证券相关信息的所属证券板块或类别进行标注，以A股为例，可参考股票板块分类，即根据股票企业所属行业对股票进行行业分类，根据概念对股票进行概念分类，为每一条基本面信息标记影响股票板块或影响个股。其次，还要对证券相关信息的影响方向进行标注，继续以A股票为例即根据人为分析每条消息对所属板块或个股的影响方向，利多还是利空。再对证券影响程度进行标注，可根据消息的重要程度，将消息影响程度分为不同级别，如五级标注(非常重要、重要、一般、不重要、非常不重要)，还可以用百分比或其他表示方式进行影响程度的标注。

步骤S33：将标注后的信息分割成训练集和测试集，基于所述训练集构建所述文本分析模型，基于所述测试集对所述文本分析模型进行优化。

本实施例中的文本分析模型可以包含证券板块属性确定模型、对证券影响方向确定模型和对证券影响程度确定模型，通过上述模型的组合或一个融合上述子模型的模型对指定证券受证券相关信息影响的程度进行分析。

在训练集上构建上述的证券板块属性确定模型、对证券影响方向确定模型和对证券影响程度确定模型，且模型可以选用分类算法，如逻辑回归、朴素贝叶斯、支持向量机、决策树、随机森林等，也可采用深度神经网络算法。

本步骤还在测试集上检验模型性能，通过选择合适的评估指标，如精确率、召回率、F1-score等评估模型性能，对文本分析模型进行优化调整或重构。

作为一种可选的实施方式，本实施例在步骤S32和步骤S33之间，还可以对证券影响信息进行进一步的规范化处理，即：删除标注后信息中的短文本，并对所述信息进行分词、去停用词、词频分析和特征编码处理。分词可采用成熟的可扩展的分词包，如jieba、nltk、thulac、paoding等；去停用词涉及到构建停用词库，可从网络下载常用停用词库，且采取手工增加停用词的方式完善证券分析专用停用词；特征编码可以选用常用两种表示方法，即TF-IDF和Word2Vector。

针对步骤S40，即：基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值。

本步骤中的指定证券可以是根据证券影响信息确定，即判断证券影响信息对哪类证券或证券的哪个板块有影响，通过该分析可以定位分析证券的对象范围，如消息对有色金属类股票有影响，接下来就对该类股票进行重点分析。

应当理解的是，在步骤S60之前，还需要建立证券价格预测模型，请参考图4，图4为本发明第一实施例提供的一种证券价格预测模型的建立步骤的流程示意图。该证券价格预测模型的建立步骤具体可以如下：

步骤S51：获取历史证券交易数据。

历史证券交易数据可以是通过免费或付费的证券交易数据调用应用程序接口进行调用，建模时可直接按证券代码抽取历史交易数据，数据颗粒度可根据实际需求调整。

进一步地，请参考图5，图5为本发明第一实施例提供的一种应用于技术面证券交易数据的调用架构的结构示意图。该调用架构200包括网络API201、数据请求主机202、数据检查和校验主机203及数据库204。本实施例中的调用架构200的运行原理为：数据请求主机202从通过网络向网络API201请求获取需要的交易数据，网络主机将数据传回，然后将数据交由主机203对数据进行检查和校验，然后将正确的数据存入数据库204中。

步骤S52：对所述数据进行清洗、转换和聚合处理。

本步骤首先需对数据库204抽取出来的多张表数据作缺失值异常值的确定，需对缺失值和异常值做填充或删除处理。然后判断数据粒度是否与分析粒度一致，不一致需将数据聚合(一般情况数据粒度不应粗于分析粒度)，并且需对聚合后的数据判断时间轴是否完整，不完整需要填充数据；最后，聚合所有数据形成一张宽表。

步骤S53：基于证券交易规则和证券业务属性对处理后的数据构建特征，并基于所述特征对所述数据进行初步筛选。

考虑到从数据库204抽取的数据往往包含多张表，如分时数据，分笔数据，复权数据、大单交易数据、持股数据等，需要根据交易规则和证券业务特点这些字段对数据构建特征，并基于构建好的特征对数据进行初步筛选。可选地，该初步筛选可以采用非监督方法进行。

步骤S54：将筛选后的数据分割为训练集和测试集，基于所述训练集构建所述证券价格预测模型，基于所述测试集对所述证券价格预测模型进行优化。

由于本预测及识别模型与时间有关，因此数据集分割与一般分类模型训练/测试分割有较大区别。具体地，本步骤中的训练/测试分割按证券编号分割，例如，可以选择80％的证券用于训练，20％的证券用于测试。

本步骤中的证券价格预测模型可以包括价格趋势预测子模型和交易点识别子模型，则步骤S54中所述的“基于所述训练集构建所述证券价格预测模型”具体可以为：沿时间轴将所述训练集中的证券价格变化趋势打上标签，基于打过标签的训练集构建所述价格趋势预测子模型；采用蜡烛图技术、趋势分析指标和/或动量理论技术，基于所述训练集构建所述交易点识别子模型。其中，价格变化趋势根据分析时间粒度而定，如分析时间粒度为日，可参考后五天的收盘价与当前价比较，根据变化情况可将标签分为五级，如大幅上涨、微幅上涨、持平、小幅下跌、大幅下跌等。同时，本实施例可采用逻辑回归、朴素贝叶斯、支持向量机、决策树，随机森林等算法训练多个价格趋势预测子模型。

同时，蜡烛图技术可以参考蜡烛图的形态，分析当前蜡烛图体现了持续信号(如上下趋势中的窗口、上升三法、下降三法、白色三兵、上三角、下三角形态等)还是反转信号(涨锤子线、涨孕线、涨三兵、上吊线、跌三兵、双头顶、双头底、希望之星、黄昏之星等)；趋势分析指标参考分析均线体系、MACD、布林线、RSI等指标；动量理论可以参考的技术MTM等。

进一步地，步骤S54中的“基于所述测试集对所述证券价格预测模型进行优化”可以具体为：对至少一个价格趋势预测子模型和至少一个交易点识别子模型在测试集上进行逐一测试，分别统计各个模型的精确度，选择精度较高的N个(根据实际情况决定)价格趋势预测子模型，综合N个模型精度计算各自投票权重；选择精度较高的M个(根据实际情况决定)交易点识别子模型，综合M个模型精度计算各自投票权重；最终对N个价格趋势预测子模型和M个交易点识别子模型结果进行评估，判断模型效果是否达到预测目标。

第二实施例

为了配合本发明第一实施例提供的证券分析方法，本发明第二实施例还提供了一种证券分析装置300。

请参考图6，图6为本发明第二实施例提供的一种证券分析装置的模块示意图。

证券分析装置300包括：

信息获取模块310，用于从预设网络数据获取对象处获取证券相关信息；

影响判断模块320，用于基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值；

交易判断模块330，用于在所述信息对指定证券的影响程度达到可交易阈值时，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点；

提醒模块340，用于在所述指定证券的预期价格达到可交易点时，判断所述信息对所述指定证券的影响方向以及所述预期价格的走势是否一致，若是，向分析师发送交易提醒信号。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

第三实施例

请参照图7，图7为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。本实施例提供的电子设备400可以包括证券分析装置300、存储器401、存储控制器402、处理器403、外设接口404、输入输出单元405、音频单元406、显示单元407。

所述存储器401、存储控制器402、处理器403、外设接口404、输入输出单元405、音频单元406、显示单元407各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述证券分析装置300包括至少一个可以软件或固件(firmware)的形式存储于所述存储器401中或固化在证券分析装置300的操作系统(operating system，OS)中的软件功能模块。所述处理器403用于执行存储器401中存储的可执行模块，例如证券分析装置300包括的软件功能模块或计算机程序。

其中，存储器401可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器401用于存储程序，所述处理器403在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器403中，或者由处理器403实现。

处理器403可以是一种集成电路芯片，具有信号的处理能力。上述的处理器403可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器403也可以是任何常规的处理器等。

所述外设接口404将各种输入/输出装置耦合至处理器403以及存储器401。在一些实施例中，外设接口404，处理器403以及存储控制器402可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元405用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元405可以是，但不限于，鼠标和键盘等设备。

音频单元406向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元407在所述电子设备400与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元407可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器403进行计算和处理。

可以理解，图7所示的结构仅为示意，所述电子设备400还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例提供了一种证券分析方法、装置及其存储介质，该证券分析方法通过文本分析模型和证券价格预测模型将证券交易的基本面分析和技术面分析相结合，利用机器学习的方法对基本面信息和证券历史交易信息进行深度挖掘，形成一套证券分析及交易的完整系统，提高了证券分析的完整性；该方法还在证券相关信息对证券影响方向以及证券的预期价格的走势一致时判定需要向分析师发送交易提醒信号，进一步提高了证券分析方法的准确性。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种证券分析方法，其特征在于，所述证券分析方法包括：

从预设网络数据获取对象处获取证券相关信息；

基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值；

若所述信息对指定证券的影响程度达到可交易阈值，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点；

若所述指定证券的预期价格达到可交易点，判断所述信息对所述指定证券的影响方向以及所述预期价格的走势是否一致，若是，向分析师发送交易提醒信号。

2.根据权利要求1所述的证券分析方法，其特征在于，所述从预设网络数据获取对象处获取证券相关信息，包括：

通过网络爬虫监听所述预设网络数据获取对象并获取所述证券相关信息。

3.根据权利要求1所述的证券分析方法，其特征在于，在所述采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值之前，所述证券分析方法还包括：

从预设网络数据获取对象处获取历史证券相关信息；

对所述信息进行所属证券板块、对证券影响方向以及对证券影响程度的标注；

将标注后的信息分割成训练集和测试集，基于所述训练集构建所述文本分析模型，基于所述测试集对所述文本分析模型进行优化。

4.根据权利要求3所述的证券分析方法，其特征在于，在所述对所述信息进行所属证券板块、对证券影响方向以及对证券影响程度的标注之后，以及在所述将标注后的信息分割成训练集和测试集之前，所述证券分析方法还包括：

删除标注后信息中的短文本，并对所述信息进行分词、去停用词、词频分析和特征编码处理。

5.根据权利要求1所述的证券分析方法，其特征在于，所述获取所述指定证券的证券交易数据，包括：

通过证券交易数据调用应用程序接口调用所述指定证券的证券交易数据。

6.根据权利要求1所述的证券分析方法，其特征在于，在所述采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点之前，所述证券分析方法还包括：

获取历史证券交易数据；

对所述数据进行清洗、转换和聚合处理；

基于证券交易规则和证券业务属性对处理后的数据构建特征，并基于所述特征对所述数据进行初步筛选；

将筛选后的数据分割为训练集和测试集，基于所述训练集构建所述证券价格预测模型，基于所述测试集对所述证券价格预测模型进行优化。

7.根据权利要求6所述的证券分析方法，其特征在于，所述将筛选后的数据分割为训练集和测试集，包括：

基于证券编号将筛选后的数据分割为训练集和测试集。

8.根据权利要求6所述的证券分析方法，其特征在于，所述证券价格预测模型包括价格趋势预测子模型和交易点识别模型，所述基于所述训练集构建所述证券价格预测模型，包括：

沿时间轴将所述训练集中的证券价格变化趋势打上标签，基于打过标签的训练集构建所述价格趋势预测子模型；

采用蜡烛图技术、趋势分析指标和/或动量理论技术，基于所述训练集构建所述交易点识别子模型。

9.一种证券分析装置，其特征在于，所述证券分析装置包括：

信息获取模块，用于从预设网络数据获取对象处获取证券相关信息；

影响判断模块，用于基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值；

交易判断模块，用于在所述信息对指定证券的影响程度达到可交易阈值时，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点；

提醒模块，用于在所述指定证券的预期价格达到可交易点时，判断所述信息对所述指定证券的影响方向以及所述预期价格的走势是否一致，若是，向分析师发送交易提醒信号。

10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1-8中任一项所述方法中的步骤。