CN110033169A - 对象评估方法与装置 - Google Patents

对象评估方法与装置 Download PDF

Info

Publication number
CN110033169A
CN110033169A CN201910189016.4A CN201910189016A CN110033169A CN 110033169 A CN110033169 A CN 110033169A CN 201910189016 A CN201910189016 A CN 201910189016A CN 110033169 A CN110033169 A CN 110033169A
Authority
CN
China
Prior art keywords
stock
feature
price
exchange volume
predicted
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
CN201910189016.4A
Other languages
English (en)
Inventor
刘旭钦
常晓夫
邹晓川
宋乐
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910189016.4A priority Critical patent/CN110033169A/zh
Publication of CN110033169A publication Critical patent/CN110033169A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明一个或多个实施例提供用于对象评估方法和装置。针对待评估对象，该方法首先基于与该待评估对象相关的至少一个对象集中的全部对象中的至少一个对象的事件特征，确定对象集特征，随后基于确定的对象集特征确定该待评估对象的对象特征，这里对象集特征反映了事件特征对对象集的影响，其中全部对象包括待评估对象以及与该待评估对象相关的一个或多个关联对象。最后，基于所述对象特征，评估所述待评估对象。

Description

对象评估方法与装置
技术领域
本发明涉及目标对象评估，尤其是涉及对象指标变化的评估。
背景技术
在商业或技术服务领域，通常需要对某一个目标对象进行评估。现有技术中，在评估对象时，仅考虑待评估对象本身的一些因素或事件，因此评估结果与事实通常会有较大的偏差，这主要体现在评估不准确或不能及时有效地进行评估。
发明内容
本发明提供一种改进的对象评估技术，不但考虑了与待评估对象直接关联的因素，还进一步将与待评估对象间接相关或联动的其它对象或因素一并综合考虑，从而提高评估的准确率和时效性。
为此，按照本发明的一个方面，提供一种对象评估方法，包括：针对待评估对象，基于与该待评估对象相关的至少一个对象集中的全部对象中的至少一个对象的事件特征，确定对象集特征，并基于所确定的对象集特征确定该待评估对象的对象特征，其中该对象集特征反映了所述事件特征对所述对象集的影响，并且其中所述全部对象包括待评估对象以及与该待评估对象相关的一个或多个关联对象；基于所述对象特征，评估所述待评估对象。
按照本发明的另一个方面，提供一种对象评估装置，包括：特征确定模块，配置为针对待评估对象，基于与该待评估对象相关的至少一个对象集中的全部对象中的至少一个对象的事件特征，确定对象集特征，并基于所确定的对象集特征确定该待评估对象的对象特征，其中该对象集特征反映了所述事件特征对所述对象集的影响，并且其中所述全部对象包括待评估对象以及与该待评估对象相关的一个或多个关联对象；评估模块，配置为基于所述对象特征，评估所述待评估对象。
按照本发明的另一个方面，提供一种计算设备，包括有存储有指令的存储器；以及处理器，该处理配置成通过执行所述存储器中的指令来实现本发明的方法。
按照本发明的另一个方面，提供一种具有指令的机器可读介质，所述指令在被一个或多个机器执行时，使所述机器执行根据本发明的方法。
附图说明
图1示出根据本发明的对象评估装置的方框图；
图2A示出了示例性的股票与板块的关系图；
图2B与2C示出根据本发明的实施例的预测设备的示意图；
图3A示出根据另一个实施例的预测装置的示意图；
图3B示出根据一个实施例的新闻处理模块的示意图；
图4示出了根据一个实施例的预测设备内的各阶段处理流程；
图5示出了根据一个实施例的趋势预测模型TPM的内部处理流程；
图6A示出根据本发明的对象评估方法的流程图；
图6B示出了根据一个实施例的股票预测方法流程图；
图7示出了根据一个实施例的预测方法流程图；
图8示出可应用于本发明的计算机的示意图。
具体实施方式
下面结合附图对本发明实施例提供的设备、装置及方法进行详细说明。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整的传达给本领域的技术人员。
通常，在商业或技术服务领域，通常需要对目标对象进行评估或预测，例如评估对象可以是公司价值、股票、贵金属等商品。通常待评估对象不是孤立的，不但受到自身发展因素或事件的影响，还会受到其它关联因素的影响。例如，对于公司而言，其风险和价值也与法人、投资人直接相关，法人或投资人的负面事件会对公司价值带来不利影响。对于其它对象同样如此，例如某一个股票的价格可能会受到同一行业的其它股票的事件影响。因此，按照本发明，通过为待评估对象建立一个或多个对象集，从而将与待评估对象相关的因素或对象均置于一个或多个对象集中予以整体考虑。在该对象集中不但考虑了待评估对象本身，还考虑了与评估对象相关的其它对象，从而将个体对象的影响反映到对象集整体影响，进而确定对象集对待评估对象的影响。
图1示出按照本发明一个实施例的对象评估装置。如图所示，该评估装置10包括特征确定模块20以及评估模块30。针对待评估对象，特征确定模块20基于与该待评估对象相关的一个或多个对象集中的全部对象中的至少一个对象的事件特征，确定对象集特征，其中该对象集特征反映了所述事件特征对所述对象集的影响。这里，全部对象包括待评估对象以及与该待评估对象相关的一个或多个关联对象。随后，特征确定模块20基于所确定的对象集特征确定该待评估对象的对象特征。评估模块30基于特征确定模块20确定的对象特征，评估待评估对象。这里评估的指标可以是对象的属性，例如价值或价格等。由此，在评估对象时，也同时考虑到了其它对象的影响，因此可实现准确评估。在以下的一个或多个实施例中，以股票作为待评估对象为例，阐述本发明的构思和示例性方案。
目前的股票预测技术主要集中在使用该股票历史量价信息或者再结合该股票新闻、舆情信息进行未来股价的预测,而对于在新闻上较少出现或关注度不高的股票，则由于参考的因素更少，因此难以对此类股票的价格变化趋势进行准确预测。而在股票市场，股价的变化不仅受到其自身市场因素、历史状态的影响，还会受到与该股票存在某种关联因素的其它一个或多个股票的影响，也就是说，同一板块内各个股票或同一行业中各个股票之间也是可以相互影响的。因此，即使新闻关注度少的股票也可能会在某些天里被同一个板块或同一个行业内的利好/利空信息以及同类股票的股价变动所带动而上涨或下跌。本发明在对股价变化趋势进行预测时则充分地考虑到了这些信息。
为综合考虑这些相关因素对行情的影响，按照本发明实施例，将不同的股票按照其所属的属性或特征建立多个板块关系图，这里的属性或特征可以是股票所属的行业、地域、特定概念等。由于每只股票可具有多种属性或特征，因此同一只股票可能会划分到不同的板块中。在预测某只股票价格趋势时，可以通过分析该股票及该股票所属的板块中所包含的其他股票的信息，来实现对该股票的趋势变化的预测。
图2A以几只股票为例示例性示出了通过板块节点构建股票间的板块关系图。其中，矩形代表各个股票节点，圆形代表板块节点，当一个股票属于某个板块或者涉及某个行业板块时，就构建一个板块节点并在板块节点与股票节点间建立联系。如图2A所示，“五粮液”、“贵州茅台”、“舍得酒业”均属于“白酒”板块，因此这三个股票与白酒板块节点相连。此外，这三个股票还属于“饮料制造”行业，因此还与饮料制造板块节点相连；同时，“承德露露”事实上也属于“饮料制造”业务，因此也与“饮料制造”板块节点相连。而且，“承德露露”还与分属完全不同行业的“沧州明珠“、“河北宣工”又通过“河北地区”板块节点关联在一起。不难理解，对于“五粮液”来说，无论是白酒行业的整体消息，还是其它个别酒股例如“贵州茅台”的利好或利空，或是“承德露露”等饮料行业的某些事件可能都会对“五粮液”股价产生影响。按照本发明实施例，利用板块信息库来记录建立的板块，包括每个板块所关联的全部股票信息以及每个股票所关联的板块。
图2B示出了用于对股票价格的变化趋势进行预测的设备100。如图2B所示,预测设备100包括板块信息库102与作为对象评估装置10的一个示例的股票预测装置104。
板块信息库102用于存储股票板块信息以及每个股票板块所具有的股票信息，即，各个股票板块具有多个股票以及各个股票的股票名称信息/股票代码信息等。例如，对于“五粮液”，基于该板块信息库102，预测设备100可以确定“五粮液”具有二个相关的板块即“饮料制造”与“白酒”板块，同时还可以确定在“白酒”板块中还包含股票“贵州茅台”、“舍得酒业”以及在“饮料制造”中还包含股票“贵州茅台”、“舍得酒业”以及“承德露露”。
股票预测装置104基于与待预测股票相关的所有股票板块当前板块量价信息来预测待预测股票在当前价格周期的股价变化趋势。在以下说明中，价格周期可以是指交易日或交易周以及设定的其它时间。为便于说明，在本发明的以下说明中，以交易日为例来说明。如图2B所示，在本发明的一个实施例中，股票预测装置104包括板块信息获取模块106、板块量价特征确定模块108、第二股票量价特征确定模块110以及价格趋势预测模块112，其中板块量价特征确定模块108与第二股票量价特征确定模块110组成特征确定模块20，而评估模块30实现为价格趋势预测模块112。
板块信息获取模块106被配置为从板块信息库102中获取与待预测股票相关的股票板块(例如确认待预测股票A与N个股票板块关联)以及各个相关的股票板块中所包含的股票信息。
板块量价特征确定模块108针对板块信息获取模块106获取的股票A所属的N个股票板块中的每个股票板块，例如第i个股票板块，基于第i个股票板块中在当前交易日内具有关联新闻的那些股票(在本文中将在当前交易日内具有关联新闻的股票也称为第一股票)的第一股票量价特征，确定第i个股票板块的当前交易日的当前板块量价特征。按照本发明的一个实施例，如果可以从任一个或多个媒体上获取到当前交易日第i个股票板块中某只股票例如股票B的新闻信息，则股票B的第一股票量价特征可以利用股票B的新闻特征以及前一交易日的股票B的实际股票量价特征而生成。按照该实施例，如果没有从媒体上获取到当前交易日的股票B的新闻信息，即不能获取到股票B的新闻特征时，则在计算股票B所在的第i个股票板块的当前板块量价特征时对股票B不予以考虑；或者将股票B的当前交易日的第一股票量价特征设置为缺省值，例如为零。以此方式，板块量价特征确定模块108可确定出所有N个股票板块的当前板块量价特征。
第二股票量价特征确定模块110至少部分地基于板块量价特征确定模块108所确定的股票A所属的N个股票板块的当前板块量价特征，确定股票A的当前价格周期的第二股票量价特征。由此，价格趋势预测模块112可基于股票A的第二股票量价特征确定其价格变化趋势。
在本发明的另一优选实施例中，第二股票量价特征确定模块110在确定股票A的第二量价特征时还可以进一步考虑股票以及板块的历史状态特征。为此，如图2B所示，预测设备100进一步包括状态数据库110，用于存储前一价格周期的每个股票的历史股票状态特征与每个板块的历史板块状态特征，仍以图2A为例，状态数据库110不但存储有“饮料制造”、“白酒”等板块的先前交易日的历史板块状态特征，而且还存储有“贵州茅台”、“舍得酒业”、“承德露露”、“五粮液”等股票的先前交易日的历史股票状态特征。这里板块信息库102与状态数据库110可以集成在一起或分离设置。图2C示出了根据本发明另一实施例的预测装置104的示意图。
如图2C所示，除了板块信息获取模块106、板块量价特征确定模块108以及第二股票量价特征确定模块110之外，股票预测装置104进一步包括作为特征确定模块20的一个部件的第一股票量价特征确定模块114。如果可以从任一个或多个媒体上获取到当前交易日的股票A的新闻信息，第一股票量价特征确定模块114可基于股票A的股票参考特征与状态数据库110中记录的前一交易日的股票A的历史股票状态特征确定股票A的当前交易日的第一股票量价特征与第一股票状态特征。这里，股票参考特征是基于由股票A的新闻信息生成的新闻特征以及前一交易日的实际股票量价特征生成的。以类似方式，对于股票A所属的N个股票板块中可获取到相关新闻的所有其它股票(即第一股票)，第一股票量价特征确定模块114均可生成相应股票的当前交易日的第一股票量价特征与第一股票状态特征。如前所述，对于各股票板块中不存在相关新闻的股票，第一股票量价特征确定模块114将其第一股票量价特征与第一股票状态特征设置为缺省值,例如零，或者不提供该股票的第一股票量价特征。
板块量价特征确定模块108针对股票A所属的N个股票板块中的每个股票板块，例如第i个股票板块，基于状态数据库110中存储的前一交易日的历史板块状态特征以及第一股票量价特征确定模块114确定的第i个股票板块中所有第一股票的第一股票量价特征，确定第i个股票板块的当前交易日的当前板块量价特征。以此方式，板块量价特征确定模块108可确定出N个股票板块的当前板块量价特征。由此，第二股票量价特征确定模块110基于股票A所属的N个股票板块的当前板块量价特征以及第一股票量价特征确定模块114确定的股票A的第一股票状态特征，确定股票A的第二股票量价特征。由此，价格趋势预测模块112基于股票A的第二股票量价特征，确定股票A的价格变化趋势。按照本发明的一个实施例，对于待预测股票A，价格趋势预测模块112利用经过训练的分类器对第二股票量价特征进行处理以产生股票A的价格变化趋势的指示因子。在另一个优选实施例中，价格趋势预测模块112还可以进一步利用股票A的当前交易日的股票参考特征与第二股票量价特征的融合特征来进行价格变化趋势的预测。
图3A示出根据本发明另一个实施例的预测装置104的示意框图，其中预测装置104通过对新闻媒体信息的处理来实现对股票行情的预测。
如图3A所示，除了板块量价特征确定模块108、第一股票量价特征确定模块114、第二股票量价特征确定模块110以及价格趋势预测模块112之外，预测装置104还包括新闻处理模块120。如图3B所示，该新闻处理模块120包括分词模块122、向量转换模块124、特征提取模块126、特征加权模块128。
如图3B所示，在进行股票预测时，新闻处理模块120读取外部媒体输入的新闻语料，这些新闻语料可以是电子版报纸、期刊、网站等信息，例如股票A的‘新闻语料’是指针对股票A的一段相关新闻素材。当新闻处理模块120获取到股票A的当前交易日(为描述方便，以下也称为第2天)的新闻语料时，由分词模块122对该新闻语料执行分词处理以选择股票相关的多个关键词。在现有技术中，无论是对于外文词汇还是中文词汇，都有多种分词器可供选择，作为特征的关键词的选择更是有多种方法，在此不再赘述。分词模块122通过对新闻语料执行分词、选择处理，获取股票A的第2天的新闻语料的每一个关键词w2,i，从而生成股票A第2天的关键词序列记为(w21,w22,w23,...w2L)，其中L为关键词的数量。
向量转换模块124接收分词模块122提供的关键词序列(w21,w22,w23,...w2L)，并且对每一个关键词w2,i，通过查找词向量表读出该关键词w2,i对应的词嵌入(Embedding)向量E2,i，从而产生词向量序列(E21,E22,E23,...E2L)。这里所用的词向量表可以利用现有常规的多种训练工具例如用Word2Vec、FastText和Glove等，通过对大量新闻语料进行训练而获得。
随后，特征提取模块126对这些词向量序列(E21,E22,E23,...E2L)进行进一步处理，提取整个序列的序列特征。在一个示例中，特征提取模块126利用一个经过训练的循环神经网络RNN模型来实现特征提取。RNN的优点在于通过每层之间节点的连接结构来记忆之前的信息，并利用这些信息来影响后面节点的输出，因此可以充分地挖掘序列数据中的时序信息以及语义信息，而这些信息对于准确地理解新闻所带来的影响很有意义。至于如何设计RNN的结构及每个RNN中的各单元，本领域人员可根据实际情况自行确定。在一个更优选实施例中，RNN采用双向循环神经网络(BRNN)并且各节点可选用LSTM或GRU等不同的单元来实现，在本实施例中，以每个BRNN由GRU单元构成为例予以说明。双向循环神经网络(BRNN)是由两个顺序RNN与逆序RNN上下叠加在一起组成的，而BRNN的输出则由这两个RNN的状态共同决定。由此，利用BRNN对词向量序列(E21,E22,E23,...E2L)进行处理，将顺序RNN输出h2,i和逆序RNN输出h'2,i进行拼接得到第2天新闻语料的单词特征序列中的每个特征p2,i：
h2,i＝GRU(E2,i),i∈[1,L]
h′2,i＝GRU(E2,i),i∈[1,L]
p2,i＝[h2,i,h′2,i]
由于在股票的新闻中，不同词对股票预测的重要性是不一样的，例如，“盈利”、“大跌”这些词的重要性明显要高于“今天”、“发现”等词。为了让重要的词特征能更好地传递到用于预测股票行情的新闻特征中，特征加权模块128对单词特征序列p中的不同词p2,i赋予不同的重要性权重,其中可通过如下方式计算权重α2,i:
u2,i＝sigmoid(w*p2,i+b)
在上面公式中，sigmoid所使用的常数w,b可通过拟合训练而得到。这里需要指出的是，尽管上述实施例中是以sigmoid对单词特征p进行分类，但本发明并不限于此，可以利用现有技术中的其它技术实现。
然后特征加权模块128通过对加权的单词特征p2,i求和得到第2天新闻语料的当前新闻特征向量d2：其中
回到图3A。在本例中，第一股票量价特征确定模块114包括特征合成单元1142以及股票量价确定单元1144，其中特征合成单元1142接收特征加权模块128所生成的新闻特征向量d2，并将其与股票A的实际股票量价特征S2组合成股票A的当前交易日即第2天的股票参考特征，记为：StockInput2＝[s2,d2]，这里的上、下标2指示第2天。在一个实施例中，股票A的实际股票量价特征S2是由该股票A的前一交易日的实际股票行情信息生成的特征向量，其内容包括例如股票的最高、最低值、成交量、换手率等数值特征。按照本发明一个实施例，特征合成单元1142可以将新闻特征向量d2与实际股票量价特征S2进行拼接来形成股票参考特征向量StockInput2。在本发明的另一实施例中，特征合成单元1142也可以通过对新闻特征向量d2与股票量价特征S2进行求和来生成股票参考特征StockInput2。以此方式，对于当前交易日可获得的其它股票的新闻语料，通过新闻处理模块120与特征合成单元1142，可以生成相应股票的当前交易日的股票参考特征。
然后，在预测股票A时，股票量价确定单元1144对股票A的当前交易日下的股票参考特征StockInput2、前一交易日的历史股票状态特征StockState1进行处理以生成股票A的第一股票量价特征StockOut0(在本公开中，第一股票量价特征也称为临时股票量价特征)与第一股票状态特征StockState0(在本公开中，第一股票状态特征也称为临时股票状态特征)。以此方式，对于股票A所属的N个板块中的每个板块中的所有股票，第一股票量价特征确定模块114均可以计算出每只股票的第一股票量价特征StockOut0与第一股票状态特征StockState0。如前所述，如果不能获取到某只股票B的新闻特征d，则第一股票量价特征确定模块114可将该股票的第一股票量价特征与第一股票状态特征设置为缺省值，例如为零。
然后，板块量价特征确定模块108对股票A所属的N个板块中的每个板块中的所有股票的第一股票量价特征StockOut0以及该板块的前一交易日的历史板块状态特征SectionState1进行处理，从而生成该股票板块的当前交易日的当前板块量价特征SectionOut2与当前板块状态特征SectionState2。按照本发明的一个实施例，板块量价特征确定模块108包括第一计算单元1082与板块量价确定单元1084，其中第一计算单元1082被配置为对于股票A所属的N个板块中的每个板块，计算该股票板块中的所有股票的第一股票量价特征StockOut0的平均值；板块量价确定单元1084被配置为基于该股票板块在前一价格周期的历史板块状态特征SectionState1与第一股票量价特征StockOut0的平均值进行处理，从而确定出该版块的当前板块量价特征SectionOut2。
第二股票量价特征确定模块110基于股票A所属的N个板块的板块量价特征SectionOut2来确定股票A的第二股票量价特征StockOut2。在另一个可选实施例中，第二股票量价特征确定模块110还可以进一步基于股票A所属的N个板块的板块量价特征SectionOut2以及第一股票量价特征确定模块114确定的第一股票状态特征StockState0确定股票A的第二股票量价特征StockOut2。按照本发明的一个实施例，第二股票量价特征确定模块110包括第二计算单元1102与股票量价确定单元1104，其中第二计算单元1102被配置为计算N个股票板块中的所有股票板块的当前板块量价特征SectionOut2的平均值；股票量价确定单元1104，被配置为基于第二计算单元1102生成的当前板块量价特征的平均值以及股票A的第一股票状态特征StockState0，确定股票A的第二股票量价特征StockOut2。
按照本发明的一个实施例，预测装置104利用一个经过训练的趋势预测模型TPM来实现板块量价特征确定模块108、第二股票量价特征确定模块110以及第一股票量价特征确定模块114，并且在状态数据库110中存储的前一交易日中的每个股票的历史股票状态特征StockState1以及每个板块的历史板块状态特征SectionState1是由该趋势预测模型TPM生成并预先存储的。在本发明中，股票状态特征代表了过去的一个或多个交易日中，通过综合考虑了股票各种信息(例如量价、新闻等)、包含了其它相关股票的相关板块的影响而形成的对该股票综合特征的一种记忆性表述。以第一股票量价特征确定模块114为例，所生成股票A的第一股票量价特征StockOut0实际上是在先前记忆的股票状态特征StockState1基础上，考虑到当前交易日下的股票参考特征StockInput2的影响而形成新的股票量价特征StockOut0，同时也形成了新的股票状态记忆特征StockState0。在本发明的一个实施例中，趋势预测模型TPM由长短期记忆神经网络(LSTM)实现。为了能更好地学习股票状态特征和相关板块的板块状态特征对股价趋势的影响，在本实施例中，趋势预测模型TPM是由长短期记忆神经网络(LSTM)单元构成的循环神经网络RNN，当然也可以采用其它神经单元例如门控循环单元(GRU)实现该循环神经网络RNN。
价格趋势预测模块112利用一个经过训练的分类器或分类神经网络对第二股票量价特征确定模块110产生的股票A的第二股票量价特征StockOut2进行处理，产生预测反映当前交易日的行情变化的指示因子price_change。作为一个示例，价格趋势预测模块112可利用由sigmoid函数实现的分类器来计算price_change，即
price_change＝2*sigmoid(W’*r+b’)-1，
其中r是指股票A的第二股票量价特征StockOut2，常数w’、b’是可通过训练得到的学习值。其中price_change的取值范围为[-1,+1],且为正值时表示行情好，股价可能会上升，且值越大概率越高；相反，为负值时表示行情差，股价可能会走低，且绝对值越大概率越高。
按照本发明的另一实施例，为了增强梯度反向传播能力、防止网络深度增加使得趋势预测模型TPM效果下降，同时便于本身就很强的包含了前一交易日的量价特征s2与即时新闻特征d2的股票参考特征StockInput2向前传递，价格趋势预测模块112包括特征组合单元1122以及价格趋势预测单元1124，其中特征组合单元1122计算股票A的股票参考特征与第二股票量价特征的融合特征S融合，即S融合＝StockInput2+StockOut2。随后价格趋势预测单元1124基于量价融合特征S融合利用经过训练的分类器生成反映行情变化的指示因子price_change2，即
price_change2＝2*sigmoid(W’*S融合+b’)-1，
其中常数w’、b’是可通过训练得到的学习值。
这里需要指出，上面的新闻特征向量d2是指某一媒体的当天的新闻。随着每天的新闻的更新，当采集到多天新闻时，可产生同一股票的多天的股票量价特征，例如量价融合特征S融合。例如，在预测第三天的股票行情时，则不但产生当天的量价融合特征，还已经生成了昨天的量价融合特征以及前天的量价融合特征。由此，价格趋势预测单元1124可以对这三天的量价融合特征S融合进行综合处理，例如计算这三天的量价融合特征S融合的平均值或者对这三天的量价融合特征S融合进行时间加权来整合这三天的量价融合特征S融合，以实现对当天的行情预测。由此，价格趋势预测单元1124可按下式计算所述行情变化的指示因子：
price_change＝2*sigmoid(W’*Average(S融合)+b’)-1
price_change＝2*sigmoid(W’*Time(S融合)+b’)-1
其中Average()代表平均运算函数，Time()代表时间加权函数。
图4示意性示出了股票预测装置104执行股票预测的各阶段示意图。
语义分析与向量转换阶段：
从一个或多个媒体上股票预测装置104读取到当前交易日(仍以第二天为例)有关股票的新闻。例如在读取股票A的新闻时，经过分词处理后得到股票A的当前交易日的新闻文本的关键词序列(w21,w22,w23,...w2L)。随后这些关键词序列被向量转换模块124转换成词向量序列(E21,E22,E23,...E2L)。
特征提取阶段：
在该阶段，利用经过训练的双向循环神经网络BRNN对输入的股票的词向量序列(E21,E22,E23,...E2L)进行处理，提取整个序列的序列特征(p21,p22,p23,...p2L)。
特征加权阶段：
根据序列特征(p21,p22,p23,...p2L)中每个词的重要性，对不同词p2,i赋予不同的重要性权重α2,i，从而得到针对当前交易日新闻语料的新闻特征d2：其中
以此方式，对于读取到的其它股票新闻，经过语义分析与向量转换阶段、特征提取阶段、以及特征加权阶段处理后生成相应股票的新闻特征。
数据处理阶段:
经过训练的趋势预测模型TPM已经利用前一交易日的各股票的新闻特征对所有股票进行了行情预测，已经产生了各股票的历史股票状态特征StockState1以及各板块的历史板块状态特征SectionState1，并将这些特征存储在状态数据库110中。因此，如前所述，在进行当前交易日的股票预测时，趋势预测模型TPM可以基于该股票A的前一交易日的历史数据(包括历史板块状态特征和历史股票状态特征)以及当前交易日的股票参考特征StockInput2以及相关联板块的板块状态特征SectionState2来生成股票A的第二股票量价特征StockOut2。
预测生成阶段：
在预测生成阶段，利用经过训练的分类器对股票A的第二股票量价特征StockOut2执行分类处理，或者对由股票A的第二股票量价特征StockOut2及其股票参考特征StockInput2的量价融合特征S2执行分类处理，其中分类结果指示了该股票A的行情变化趋势。
在另一个实施例中，还可以基于第1天的量价融合特征S1以及第二天的量价融合特征S2来预测第2天的行情变化，例如通过对量价融合特征S1、S2进行时间加权来整合第1、2天的特征，计算出反映所述行情变化的指示因子price_change2:
price_change2＝2*sigmoid(W’*Time(S)+b’)-1。
以此类推，对于之后的第n天股票A的行情预测，基于第n天的新闻等实时信息，经由前面各级处理后生成第n天的量价融合特征Sn，由此通过对S1～Sn进行时间加权来整合第1～n天的量价融合特征，计算出反映第n天的行情变化的指示因子price_changen。
通过上述描述可以看到，对于任一只目标股票A的预测而言，即便是当前没有该股票的新闻，但是，只要所属板块中的其它股票存在可能影响行情的新闻，那么都会影响到股票A所关联的板块，因此可能都会改变股票A的第二股票量价特征StockOut2，从而预测出目标股票的行情变化。
这里需要指出的是，在本发明所应用的趋势预测模型TPM、特征提取模块126所使用的循环神经网络模型以及价格趋势预测模块112所使用的分类器的训练过程与使用过程是类似的。可以利用历史行情数据(从历史行情数据可确定实际量价特征以及行情趋势信息)并结合已经发生的新闻通过联合训练来产生趋势预测模型TPM、分类器等参数。例如，可以利用大量股票的第i天的新闻、第i天闭市后的实际股票行情以及第i-1天的实际股票行情生成训练样本，对图4所示的预测过程的各阶段参数进行训练，并固化各阶段的参数。
这里需要指出的是，虽然在图4中示意性地示出了多个预测模型TPM，但是这里示出多个预测模型TPM的目的在于指出预测模型TPM生成的结果作为历史板块状态特征SectionState与历史股票状态特征StockState需要传递给下一次的预测，而不是要限于多个TPM的实现方式。
以下结合图5来具体描述根据本发明的一个实施例的趋势预测模型TPM的架构，该趋势预测模型TPM包括第一股票量价特征确定层、版块量价特征确定层以及第二股票量价特征确定层。为便于描述，以下以预测股票“五粮液”的当天(为便于描述，仍假定是第2天)行情为例来解释趋势预测模型TPM的各层的功能。
第一股票量价特征确定层接收由新闻处理模块120根据当前交易日有关“五粮液”的新闻语料而生成的新闻特征d2，并结合基于前一交易日“五粮液”的行情数据而形成的实际股票量价特征信息s2，形成“五粮液”的当天的股票参考特征StockInput2 五粮液。然后，第一股票量价特征确定层利用经过训练的神经网络模型NN1基于股票“五粮液”的当前股票参考特征StockInput2 五粮液以及来自状态数据库110的前一交易日股票“五粮液”的历史状态特征StockState1 五粮液，可获得股票“五粮液”第2天的第一股票量价特征StockOut0 五粮液以及第一股票状态特征StockState0 五粮液，并缓存在存储器中(图中未示出)。在本实施例中，NN1由长短期记忆(LSTM)神经网络实现。
假定在第2天还发现了股票”贵州茅台”、“承德露露”股票的新闻，利用NN1也会产生“贵州茅台”、“承德露露”的第一股票量价特征以及第一股票状态特征，并缓存在存储器中(图中未示出)。图5中以指示由LSTM神经网络NN1产生的这些股票第一股票量价特征StockOut0。
版块量价特征确定层被设计成利用NN1产生的各个股票的第一股票量价特征StockOut0，确定当前交易日内与每个股票相关的所有板块的当前板块状态特征SectionState2与当前板块量价特征SectionOut2。对于预测目标“五粮液”来说，根据板块信息库102中存储的板块分类信息，可以确定“五粮液”相关的板块包括“白酒”板块与“饮料制造”板块，其中“白酒”板块内的所有股票成员还包括”贵州茅台”与”舍得酒业”；而在“饮料制造”板块则除了包含了“五粮液”、“贵州茅台”与”舍得酒业”之外，还包括”承德露露”。为此，版块量价特征确定层基于NN1产生的各板块包含的相关股票的第一股票量价特征StockOut0，分别计算“白酒”板块与“饮料制造”板块的当前板块状态特征与当前板块量价特征。
具体地，对于“白酒”板块，版块量价特征确定层提取来自LSTM神经网络NN1产生并缓存的股票“五粮液”、”贵州茅台”与“舍得酒业”的第一股票量价特征StockOut0 五粮液、StockOut0 茅台、StockOut0 舍得。对于“舍得酒业”，由于没有获取到“舍得酒业”的新闻特征，即NN1未产生“舍得酒业”的第一股票量价特征StockOut0 舍得，版块量价特征确定层可忽略“白酒”板块中的“舍得酒业”，或者使用缺省值向量，例如零作为“舍得酒业”的第一股票量价特征StockOut0 舍得。以下为便于说明，仍将“舍得酒业”的第一股票量价特征StockOut0 舍得考虑在内，尽管其值为零。
版块量价特征确定层首先计算“白酒”板块内的所有股票“五粮液”、“贵州茅台”与”舍得酒业”的第一股票量价特征的平均值stock白酒(例如算术平均)，然后利用第二神经网络模型NN2对平均值stock白酒以及来自状态数据库110的该“白酒”板块的历史板块状态特征SectionState1 白酒进行处理，以生成“白酒”板块的当前交易日的当前板块量价特征SectionOut2 白酒以及当前板块状态特征SectionState2 白酒。这里，股票预测装置104将所生成的当前板块状态特征SectionState2 白酒作为当前交易日的白酒板块的历史板块状态特征存储在状态数据库110中，以备下次使用。
类似地，对于“饮料制造”板块，版块量价特征确定层除了接收LSTM神经网络NN1产生的股票“五粮液”、“贵州茅台”与”舍得酒业”的第一股票量价特征之外，还接收股票”承德露露”的第一股票量价特征StockOut0 露露。在计算出“饮料制造”板块内所有股票“五粮液”、“贵州茅台”、“舍得酒业”、“承德露露”的第一股票量价特征的平均值stock饮料后，版块量价特征确定层利用神经网络NN2对平均值stock饮料以及来自状态数据库110的“饮料制造”板块的历史板块状态特征SectionState1 饮料进行处理，生成“饮料制造”板块的当前交易日的当前板块量价特征SectionOut2 饮料以及当前板块状态特征SectionState2 饮料。同样，当前板块状态特征SectionState2 饮料作为当前交易日即第2天的饮料板块的历史板块状态特征存储在状态数据库110中，以备下次使用。
对于预测目标“五粮液”而言，第二股票量价特征确定层利用LSTM神经网络模型NN2确定的与“五粮液”相关联的“饮料制造”板块与“白酒”板块的当前板块量价特征来计算“五粮液”的第二股票量价特征StockOut2 五粮液。按照一个实施例，第二股票量价特征确定层首先计算出“饮料制造”与“白酒”板块的当前板块量价特征SectionOut2 饮料与SectionOut2 白酒的板块平均值Section五粮液，即
Section五粮液＝Average(SectionOut2 饮料,SectionOut2 白酒)
例如可以通过算术平均或加权平均来进行计算Section五粮液。然后，第二股票量价特征确定层利用神经网络模型NN3对LSTM神经网络NN1输出的“五粮液”的第一股票状态特征StockState0 五粮液以及板块平均值Section五粮液进行处理，从而产生“五粮液”的第二股票量价特征StockOut2 五粮液以及第二股票状态特征StockState2 五粮液，其中第二股票状态特征StockState2 五粮液存储在状态数据库110中作为“五粮液”第2天的历史股票状态特征，以备下一次使用。
按照另一个实施例，第二股票量价特征确定层在确定“五粮液”的对应第2天的第二股票量价特征StockOut2 五粮液时，也可以仅采用“五粮液”所属板块的当前板块量价特征。也就是说，LSTM神经网络模型NN3只对板块平均值Section五粮液进行处理来产生“五粮液”的对应第2天的第二股票量价特征StockOut2 五粮液以及第二股票状态特征StockState2 五粮液，而不考虑LSTM神经网络NN1输出的“五粮液”的第一股票状态特征StockState0 五粮液。
在根据上述实施例确定了“五粮液”的对应第2天的第二股票量价特征StockOut2 五粮液后，价格趋势预测模块112利用StockOut2 五粮液计算指示“五粮液”行情变化趋势的因子price_change五粮液。或者，更进一步地，利用“五粮液”的股票参考特征StockInput2 五粮液与StockOut2 五粮液形成融合特征S融合，即
S融合＝StockInput2 五粮液+StockOut2 五粮液。
然后，价格趋势预测模块112利用经过训练的分类器对S融合进行处理生成反映行情变化的指示因子price_change五粮液，即
price_change五粮液＝2*sigmoid(W’*S融合+b’)-1，
以上是以“五粮液”为例说明了趋势预测模型TPM的构造及其处理过程。对于其它任何一只待预测股票，均可参照上述过程，而将与待预测股票相关联的板块内的股票影响考虑在内。例如对于要预测“承德露露”来说，则不仅要考虑到同属于“饮料制造”板块的“五粮液”、“贵州茅台”、“舍得酒业”的影响，还考虑了同属于“河北地区”的“沧州明珠”、“河北宣工”的影响。为此，第二股票量价特征确定层接收LSTM神经网络模型NN2产生的与“承德露露”相关联的“饮料制造”板块与“河北地区”板块的当前板块量价特征SectionOut2 饮料与SectionOut2 河北，在计算出SectionOut2 饮料与SectionOut2 河北的板块平均值Section露露后，利用LSTM神经网络模型NN3对LSTM神经网络NN1输出的“承德露露”的第一股票状态特征StockState0 露露以及“承德露露”的所属板块的平均值Section露露进行处理，从而产生“承德露露”的第2天(即当天)的第二股票量价特征StockOut2 露露以及第二股票状态特征StockState2 露露。由此，价格趋势预测模块112利用特征StockOut2 露露来预测“承德露露”的行情。
图6A示出根据本发明的对象评估方法的流程图。如图所示，该方法包括：步骤601：针对待评估对象，基于与该待评估对象相关的至少一个对象集中的全部对象中的至少一个对象的事件特征，确定对象集特征，其中该对象集特征反映了所述事件特征对所述对象集的影响，并且其中所述全部对象包括待评估对象以及与该待评估对象相关的一个或多个关联对象。在步骤603，基于所确定的对象集特征确定该待评估对象的对象特征。随后，进程前进到步骤605。在步骤605，基于步骤603所确定的对象特征，确定待评估对象的对象特征。
图6B示出本发明的对象评估方法应用于股票来实现股票行情预测的方法流程图。如图所示，在步骤602，针对待预测股票A，可以基于事先建立的板块关系，从版块信息库102中获取股票A所属的N个股票板块信息，包括每个板块所具有的股票信息。这里需要指出的是，在本发明中，股票的板块关系既可以利用股票分析市场已经建立的板块，例如按照地域省份、行业或特殊概念划分的各股票板块；但是也可以在实际中自行指定。例如对于‘沈阳机床’、‘昆明机床’等股票，可以按照‘机床’这个概念来建立‘机床’板块，从而使得同一板块内的各股票的相互影响更强；同时按照新近提出的振兴东北政策，还可以建立“振兴东北”板块，从而将‘沈阳机床’与其它另外一些相关股票划入新建立的“振兴东北”板块。
在步骤604，对于N个股票板块中的每个股票板块，利用该股票板块的所有第一股票的第一股票量价特征，确定该股票板块的当前价格周期的当前板块量价特征，如前所述，在本发明中，这里的第一股票是在当前价格周期具有关联新闻的股票，第一股票量价特征是基于该股票在前一价格周期的实际股票量价特征以及该股票的关联新闻的新闻特征而生成的。在另一实施例中，可进一步利用该股票板块的前一价格周期的历史板块状态特征以及该股票板块中所有第一股票的第一股票量价特征，确定该股票板块的当前板块量价特征。以此方式，可以确定待预测股票所属的N个股票板块的当前价格周期的当前板块量价特征。
在步骤606，利用待预测股票A所属的全部股票板块的板块量价特征，确定股票A的当前价格周期下的第二股票量价特征。在另一个优选实施例中，利用股票A所属的N个股票板块的当前价格周期的当前板块量价特征以及股票A当前价格周期的第一股票状态特征来确定股票A的当前价格周期的第二股票量价特征。这里的第一股票状态特征是基于该股票在前一价格周期的实际股票量价特征以及该股票的关联新闻的新闻特征而生成的。
在步骤608，利用在步骤606确定的股票A的第二股票量价特征，确定其价格变化趋势price_change。
在本发明的上述方法中，步骤602并不总是必须的。例如当股票A的板块关系事先已知时，则无需预先获取股票A的板块信息。
以下结合图7描述根据另一个实施例的预测装置104对股票进行行情预测的方法流程图，在以下说明中，仍以“五粮液”作为待预测股票为例进行说明。在步骤702，获取股票“五粮液”所属的股票板块信息及各板块中具有的股票信息。在本例中，可以确定“五粮液”所属的股票板块为“白酒”板块与“饮料制造”板块。
在步骤704，生成“白酒”板块与“饮料制造”板块中包含待预测股票“五粮液”在内的所有股票的新闻特征。如前所述，新闻处理模块120基于当前交易日的股票相关新闻来产生股票的新闻特征。例如，通过读取当天一个多个新闻媒体，可获得股票“五粮液”、“贵州茅台”、“承德露露”的新闻语料，但没有“舍得酒业”的新闻。
对于“五粮液”的新闻语料，经过转换后得到“五粮液”词特征序列p2，随后，这些词特征序列中的每一个词特征被加权以反映词特征序列中每一个词的对预测的重要性，从而产生“五粮液”的新闻特征d2。以类似方式，对于存在新闻的“贵州茅台”、“承德露露”，经过处理后可以分别得到“贵州茅台”、“承德露露”的新闻特征。
在步骤706，由第一股票量价特征确定模块114中的特征合成单元1142组合“五粮液”前一交易日的实际股票量价特征s2与新闻特征d2以生成“五粮液”的当前股票参考特征StockInput五粮液。随后由第一股票量价确定单元1144利用神经网络模型NN1处理“五粮液”的当前股票参考特征StockInput2 五粮液以及前一交易日的历史股票状态特征StockState1 五粮液，以生成“五粮液”的第一股票量价特征StockOut0 五粮液及第一股票状态特征StockState0 五粮液。以类似方式，对于存在新闻的“贵州茅台”、“承德露露”，可以分别得到“贵州茅台”、“承德露露”的当前股票参考特征StockInput茅台以及StockInput露露，并经过神经网络模型NN1处理后，可以生成股票“承德露露”的第一股票量价特征StockOut0 露露及第一股票状态特征StockState0 露露，以及“贵州茅台”的第一股票量价特征StockOut0 茅台与第一股票状态特征StockState1 茅台。对于“舍得酒业”，由于不存在相关新闻，因此，按照本发明，将其第一股票量价特征StockOut0 舍得及第一股票状态特征StockState1 舍得设置为缺省值，例如0。在确定了“五粮液”相关的“白酒”板块与“饮料制造”板块中的所有股票的第一股票量价特征及第一股票状态特征后，进程前进到步骤708。
在步骤708，确定与“五粮液”相关的“白酒”与“饮料制造”板块的当前板块量价特征。对于“白酒”板块，由板块量价特征确定模块108中的第一计算单元1082基于在步骤706确定的“五粮液”、“贵州茅台”以及“舍得酒业”的第一股票量价特征StockOut0 茅台、StockOut0 舍得、StockOut0 五粮液，计算“白酒”板块内各股票的第一股票量价特征的平均值Stock白酒，即
Stock白酒＝Average(StockOut0 茅台,StockOut0 舍得,StockOut0 五粮液)。
然后，由板块量价确定单元1084利用神经网络模型NN2对“白酒”板块的上一个价格周期中的历史板块状态特征SectionState1 白酒以及平均值Stock白酒进行处理以生成“白酒”板块的当前交易日的当前板块量价特征SectionOut2 白酒及当前板块状态特征SectionState2 白酒。
以此方式，对于“饮料制造”板块，基于在步骤706确定的“五粮液”、“贵州茅台”、“舍得酒业”以及“承德露露”的第一股票量价特征StockOut0 茅台、StockOut0 舍得、StockOut0 五粮液、StockOut0 承德，第一计算单元1102计算“饮料制造”板块内各股票的第一股票量价特征的平均值Stock饮料，即
Stock饮料＝Average(StockOut0 茅台,StockOut0 舍得,StockOut0 五粮液,StockOut0 承德)。
然后，板块量价确定单元1084利用神经网络模型NN2对“饮料制造”板块的上一个价格周期中的历史板块状态特征SectionState1 饮料以及平均值Stock饮料进行处理以生成“饮料制造”板块的当前交易日的当前板块量价特征SectionOut2 饮料及当前板块状态特征SectionState2 饮料。在确定了与“五粮液”相关的“白酒”与“饮料制造”板块的当前板块量价特征后，进程进到步骤710。
在步骤710，第二股票量价特征确定模块110基于在步骤706中确定的“五粮液”的第一股票状态特征以及在步骤708确定的“白酒”与“饮料制造”板块的当前板块量价特征，产生“五粮液”的当前交易日的第二股票状态特征以及第二股票量价特征。具体地，第二计算单元1102利用“白酒”与“饮料制造”板块的当前板块量价特征SectionOut2 白酒及SectionOut2 饮料，确定“五粮液”的板块量价特征的平均值Section五粮液，即
Section五粮液＝Average(SectionOut2 白酒,SectionOut2 饮料)。
然后股票量价特征确定单元1104神经网络模型NN3处理“五粮液”的第一股票状态特征StockState0 五粮液以及所计算的“五粮液”的板块量价特征平均值Section五粮液，产生“五粮液”的第二股票状态特征StockState2 五粮液以及第二股票量价特征StockOut2 五粮液。在另一实施例中，可以利用神经网络模型NN3仅基于所计算的“五粮液”的板块量价特征平均值Section五粮液，来产生“五粮液”的第二股票状态特征StockState2 五粮液以及第二股票量价特征StockOut2 五粮液。
在步骤712，价格趋势预测模块112中的特征组合单元1122计算在步骤706生成的“五粮液”的当前股票参考特征StockInput2 五粮液以及步骤710生成的第二股票量价特征StockOut2 五粮液之和，以生成“五粮液”的量价融合特征S融合，然后价格趋势预测单元1124采用利用经过训练的分类器基于该融合特征S融合来生成预测“五粮液”的行情变化的指示因子。
以上以股票预测为例阐述了本发明的构思与多个实施例，不难理解，本发明并不限于股票，还适用于任何其它相互之间具有关联影响的对象的预测和评估，例如贵金属、公司实体的价值等。
这里需要指出的是，虽然结合上述描述了本发明的实施例，但本发明并不限于此。例如，图1、2B、2C、3A与3B中的各模块或单元可以包括处理器、电子设备、硬件设备、电子部件、逻辑电路、存储器、软件代码、固件代码等，或者它们的任意组合。技术人员还将认识到的是，结合本文公开内容描述的各种说明性的逻辑方框、模块和方法步骤可以实现为电子硬件、计算机软件或二者的组合。以软件实现为例，作为一个逻辑意义上的评估装置，是通过处理器将非易失性存储器中对应的计算机程序指令读取内存中运行形成的。从硬件层面而言，如图8所示，在一种实现方式中，根据本发明的评估装置由一个或多个计算机实现，例如由计算机实施例如图4所示的预测处理的各阶段。除了图8所示的处理器、内存、网络接口以及非易失性存储器之外，实施例中实现预测装置的计算机通常根据其实际功能，还可以包括其它硬件，对此不再赘述。
本发明另一实施例提供的机器可读介质上存储有机器可读指令，该机器可读指令在被计算机执行时，使计算机执行本文公开的前述的任一种方法。具体地，可以提供配有机器可读介质的系统或者装置，在该机器可读介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统的计算机读出并执行存储在该机器可读介质中的机器可读指令。在这种情况下，从机器可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的机器可读介质构成了本发明的一部分。
需要说明的是，上述各流程和评估设备的结构图中不是所有的步骤或模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (22)

1.一种对象评估方法，包括：
针对待评估对象，基于与该待评估对象相关的至少一个对象集中的全部对象中的至少一个对象的事件特征，确定对象集特征，并基于所确定的对象集特征确定该待评估对象的对象特征，其中该对象集特征反映了所述事件特征对所述对象集的影响，并且其中所述全部对象包括待评估对象以及与该待评估对象相关的一个或多个关联对象；
基于所述对象特征，评估所述待评估对象。
2.如权利要求1的方法，其中评估对象包括预测股票的价格变化趋势，所述对象集是股票板块，所述事件特征是与股票有关的关联新闻的新闻特征，
其中确定对象集特征包括：
针对与待预测股票相关的至少一个股票板块中的每个股票板块，基于该股票板块中的所有第一股票的第一股票量价特征，确定该股票板块的当前板块量价特征,所述第一股票是在当前价格周期具有关联新闻的股票，所述第一股票量价特征是基于该股票在前一价格周期的实际股票量价特征以及该股票的关联新闻的新闻特征而生成的，所述当前板块量价特征是该股票板块在当前价格周期的板块量价特征；
其中，基于所确定的对象集特征，确定该待评估对象的对象特征包括：
基于所述至少一个股票板块中的各个股票板块的当前板块量价特征，确定所述待预测股票的第二股票量价特征，所述第二股票量价特征是在当前价格周期的股票量价特征；以及
其中，基于所述对象特征，评估所述待评估对象包括：
基于所述待预测股票的第二股票量价特征，预测所述待预测股票的价格变化趋势。
3.如权利要求2所述的方法，其中，基于该股票在前一价格周期的实际股票量价特征以及该股票的关联新闻的新闻特征而生成所述第一股票量价特征包括：
基于所述新闻特征以及所述实际股票量价特征生成该股票的股票参考特征；
使用第一神经网络模型来基于该股票参考特征与该股票的历史股票状态特征，生成所述第一股票量价特征与该股票的第一股票状态特征，所述历史股票状态特征是该股票在前一价格周期的股票状态特征，以及该第一股票状态特征是与当前价格周期对应的股票状态特征。
4.如权利要求2或3所述的方法，其中，针对所述至少一个股票板块中的每个股票板块，确定所述当前板块量价特征包括：
计算所述股票板块中的所有第一股票的第一股票量价特征的平均值；
使用第二神经网络模型来基于该股票板块在前一价格周期的历史板块状态特征与所述第一股票量价特征的平均值，确定所述当前板块量价特征。
5.如权利要求3或4所述的方法，其中，确定所述待预测股票的第二股票量价特征包括：
计算所述至少一个股票板块中的所有股票板块的当前板块量价特征的平均值；
使用第三神经网络模型来基于所计算的当前板块量价特征的平均值以及所述待预测股票的第一股票状态特征，确定所述待预测股票的第二股票量价特征。
6.如权利要求3所述的方法，还包括：
将所述股票板块的当前板块状态特征与所述待预测股票的第二股票状态特征作为历史板块状态特征与历史股票状态特征存储在状态数据库中，
其中，所述股票板块的当前板块状态特征是在使用所述第二神经网络模型确定所述当前板块量价特征时生成的，以及所述第二股票状态特征是在使用所述第三神经网络模型来确定所述待预测股票的第二股票量价特征时生成的。
7.如权利要求2-6中任一权利要求所述的方法，其中，预测所述待预测股票的价格变化趋势包括：
利用分类器来基于所述待预测股票的第二股票量价特征预测所述待预测股票的价格变化趋势。
8.如权利要3所述的方法，其中，预测所述待预测股票的价格变化趋势包括：
组合所述待预测股票的股票参考特征与所述待预测股票的第二股票量价特征以形成所述待预测股票的组合特征；
利用分类器来基于所述待预测股票的组合特征预测所述待预测股票的价格变化趋势。
9.如权利要求2所述的方法，还包括：
从板块信息库中获取与所述待预测股票相关的至少一个股票板块以及所述至少一个股票板块中的各个股票板块所具有的股票信息；
其中，所述板块信息库用于存储股票板块信息以及每个股票板块所具有的股票信息。
10.一种对象评估装置，包括：
特征确定模块，配置为针对待评估对象，基于与该待评估对象相关的至少一个对象集中的全部对象中的至少一个对象的事件特征，确定对象集特征，并基于所确定的对象集特征确定该待评估对象的对象特征，其中该对象集特征反映了所述事件特征对所述对象集的影响，并且其中所述全部对象包括待评估对象以及与该待评估对象相关的一个或多个关联对象；
评估模块，配置为基于所述对象特征，评估所述待评估对象。
11.如权利要求10的装置，其中评估对象包括预测股票的价格变化趋势，所述对象集是股票板块，所述事件特征是与股票有关的关联新闻的新闻特征，其中所述特征确定模块进一步包括：
板块量价特征确定模块，被配置为针对与待预测股票相关的至少一个股票板块中的每个股票板块，基于该股票板块中的所有第一股票的第一股票量价特征，确定该股票板块的当前板块量价特征,所述第一股票是在当前价格周期具有关联新闻的股票，所述第一股票量价特征是基于该股票在前一价格周期的实际股票量价特征以及该股票的关联新闻的新闻特征而生成的，所述当前板块量价特征是该股票板块在当前价格周期的板块量价特征；
第二股票量价特征确定模块，被配置为基于所述至少一个股票板块中的各个股票板块的当前板块量价特征，确定所述待预测股票的第二股票量价特征，所述第二股票量价特征是在当前价格周期的股票量价特征；以及
其中所述评估模块包括：
价格趋势预测模块，被配置为基于所述待预测股票的第二股票量价特征，预测所述待预测股票的价格变化趋势。
12.如权利要求10所述的装置，还包括：
第一股票量价特征确定模块，被配置为：针对所述第一股票中的各个股票，基于该股票在前一价格周期的实际股票量价特征以及该股票的关联新闻的新闻特征生成该股票的第一股票量价特征。
13.如权利要求12所述的装置，其中，所述第一股票量价特征确定模块包括：
特征合成单元，基于该股票在前一价格周期的实际股票量价特征以及该股票的关联新闻的新闻特征而生成该股票的股票参考特征；以及
第一股票量价确定单元，使用第一神经网络模型来基于该股票参考特征与该股票的历史股票状态特征，生成所述第一股票量价特征与该股票的第一股票状态特征，其中，所述历史股票状态特征是该股票在前一价格周期的股票状态特征，以及所述第一股票状态特征是与当前价格周期对应的股票状态特征。
14.如权利要求13的装置，其中，所述板块量价特征确定模块包括：
第一计算单元，被配置为计算所述股票板块中的所有第一股票的第一股票量价特征的平均值；以及
板块量价确定单元，被配置为使用第二神经网络模型来基于该股票板块在前一价格周期的历史板块状态特征与所述第一股票量价特征的平均值进行处理，确定所述当前板块量价特征。
15.如权利要求13或14的装置，其中，所述第二股票量价特征确定模块包括：
第二计算单元，被配置为计算所述至少一个股票板块中的所有股票板块的当前板块量价特征的平均值；以及
第二股票量价确定单元，被配置为使用第三神经网络模型来基于所得到的当前板块量价特征的平均值以及所述待预测股票的第一股票状态特征，确定所述待预测股票的第二股票量价特征。
16.如权利要求15的装置，还包括：
状态数据库，被配置为存储所述股票板块的当前板块状态特征与所述待预测股票的第二股票状态特征作为历史板块状态特征与历史股票状态特征；
其中，所述股票板块的当前板块状态特征是在使用所述第二神经网络模型确定所述当前板块量价特征时生成的，以及所述第二股票状态特征是在使用所述第三神经网络模型来确定所述待预测股票的第二股票量价特征时生成的。
17.如权利要求10到16中任一所述的装置，其中，所述价格趋势预测模块被配置为：
利用分类器来基于所述待预测股票的第二股票量价特征预测所述待预测股票的价格变化趋势。
18.如权利要17的装置，其中，所述价格趋势预测模块包括：
特征组合单元，被配置为组合所述待预测股票的股票参考特征与所述待预测股票的第二股票量价特征以形成所述待预测股票的组合特征；以及
价格趋势预测单元，被配置为利用分类器来基于所述待预测股票的组合特征预测所述待预测股票的价格变化趋势。
19.如权利要求10所述的装置，还包括：
板块信息获取模块，被配置为从板块信息库中获取与所述待预测股票相关的至少一个股票板块以及所述至少一个股票板块中的各个股票板块所具有的股票信息；
其中，所述板块信息库用于股票板块信息以及每个股票板块所具有的股票信息。
20.一种用于预测股票的价格变化趋势的设备，包括：
板块信息库，用于存储股票板块信息以及每个股票板块所具有的股票信息；以及
如权利要求11-19中任一权利要求所述的装置。
21.一种计算设备，包括：
至少一个处理器，以及
与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1到9中任一所述的方法。
22.一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到9中任一所述的方法。
CN201910189016.4A 2019-03-13 2019-03-13 对象评估方法与装置 Pending CN110033169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910189016.4A CN110033169A (zh) 2019-03-13 2019-03-13 对象评估方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910189016.4A CN110033169A (zh) 2019-03-13 2019-03-13 对象评估方法与装置

Publications (1)

Publication Number Publication Date
CN110033169A true CN110033169A (zh) 2019-07-19

Family

ID=67235952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910189016.4A Pending CN110033169A (zh) 2019-03-13 2019-03-13 对象评估方法与装置

Country Status (1)

Country Link
CN (1) CN110033169A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490274A (zh) * 2019-10-17 2019-11-22 支付宝(杭州)信息技术有限公司 评估交互事件的方法及装置
TWI767161B (zh) * 2019-12-05 2022-06-11 中華電信股份有限公司 評估交易對象的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490274A (zh) * 2019-10-17 2019-11-22 支付宝(杭州)信息技术有限公司 评估交互事件的方法及装置
TWI767161B (zh) * 2019-12-05 2022-06-11 中華電信股份有限公司 評估交易對象的方法

Similar Documents

Publication Publication Date Title
McMillan et al. University efficiency: A comparison and consolidation of results from stochastic and non‐stochastic methods
CN109063931A (zh) 一种预测货运物流司机违约概率的模型方法
KR102009309B1 (ko) 금융상품 관리자동화 시스템 및 관리자동화 방법
CN110599336B (zh) 一种金融产品购买预测方法及系统
CN108475393A (zh) 通过合成特征和梯度提升决策树进行预测的系统和方法
Nautiyal et al. Analysis of institutional factors affecting share prices: The case of national stock exchange
Kiendrebeogo et al. Financial factors and manufacturing exports: firm-level evidence from Egypt
Bijak et al. Modelling LGD for unsecured retail loans using Bayesian methods
CN110827131B (zh) 一种分布式自动特征组合的纳税人信用评估方法
Jeon et al. A doc2vec and local outlier factor approach to measuring the novelty of patents
Lenka et al. Re-examining the effect of financial development on economic growth in India: Does the measurement of financial development matter?
Tiwari Supervised learning: From theory to applications
Shabani et al. The use of data envelopment analysis for international market selection in the presence of multiple dual-role factors
CN112215696A (zh) 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质
Lambert et al. Partial adjustment analysis of income and jobs, and growth regimes in the Appalachian region with smooth transition spatial process models
CN110033169A (zh) 对象评估方法与装置
Bier et al. Variable-length multivariate time series classification using ROCKET: a case study of incident detection
Hyytinen et al. Ex ante predictability of rapid growth: a design science approach
Ugur et al. Information asymmetry, risk aversion and R&D subsidies: effect-size heterogeneity and policy conundrums
Jabeen et al. An Empirical Study of Macroeconomic Factors and Stock Returns in the Context of Economic Uncertainty News Sentiment Using Machine Learning
CN109727125A (zh) 借款金额预测方法、装置、服务器、存储介质
Kumar et al. Election prediction using twitter and GIS
Rahahleh et al. The artificial intelligence in the audit on reliability of accounting information and earnings manipulation detection
Shaik et al. Customer loan eligibility prediction using machine learning
Coombes et al. Going local–innovating resource estimates to improve investment decisions

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40010776

Country of ref document: HK

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200925

Address after: English genus

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: English genus

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200925

Address after: English genus

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190719