CN110390408A - 交易对象预测方法和装置 - Google Patents

Abstract

本发明公开了一种交易对象预测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用所述涨跌倾向因子确定目标交易对象在该周期的文本倾向指数；将目标交易对象在所述多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。该实施方式能够通过将预测参考文本中影响交易对象变化趋势的特征引入模型训练和预测并对含有该特征的大量历史数据进行分析，提升交易对象预测的准确率。

Description

交易对象预测方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种交易对象预测方法和装置。

背景技术

随着大数据和人工智能的发展，有必要将机器学习等技术应用在瞬息万变的金融市场(例如股票市场)进行信息预测，以克服现有预测方法准确率低、无法指导实践的缺陷。

现有技术中，一般采用一次指数平滑法处理交易对象的历史信息时间序列实现预测，由于该方法的局限性以及股票信息极易受到内外多种因素影响的特点，当时间序列出现直线趋势时，预测结果存在较大滞后，严重影响其预测准确率。

发明内容

有鉴于此，本发明实施例提供一种交易对象预测方法和装置，能够通过将预测参考文本中影响交易对象变化趋势的特征引入模型训练和预测并对含有该特征的大量历史数据进行分析，提升交易对象预测的准确率。

为实现上述目的，根据本发明的一个方面，提供了一种交易对象预测方法。

本发明实施例的交易对象预测方法包括：获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用所述涨跌倾向因子确定目标交易对象在该周期的文本倾向指数；将目标交易对象在所述多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。

可选地，所述交易对象包括股票，所述交易周期包括交易日。

可选地，多个历史交易日是连续的，未来交易日为所述多个历史交易日中最近一日的下一交易日。

可选地，所述文本倾向指数为所述多个历史交易日的涨跌倾向因子的平均值；任一预测参考文本的涨跌倾向因子为该预测参考文本的关注系数和其作者权重系数之和与其类别系数的乘积；所述类别系数是将该预测参考文本的特征向量输入预先训练完成的文本分类模型中得到的。

可选地，所述方法进一步包括：对每一预测参考文本进行分词；在分词结果中去除停用词，并将词语按照词频-逆向文件频率数值降序排列；选取在前的预设数量的词语进行向量转换，得到该预测参考文本的特征向量。

可选地，所述多个预测参考文本可根据类别系数分为看涨文本与看跌文本；所述方法进一步包括：获取看涨文本涨跌倾向因子的平均值以及看跌文本涨跌倾向因子的平均值，将二者差值与和的比值的绝对值确定为目标股票在该日的文本极化指数，并将目标股票在所述多个历史交易日中每一日的文本极化指数输入所述预测模型。

可选地，所述预测模型是由多个批次的训练数据训练而成；其中，每一批次的训练数据包括：目标股票在连续的多个历史交易日中每一日的价格数据、文本倾向指数以及文本极化指数，还包括具有所述至少一个预设维度的目标信息，所述至少一个预设维度不同于价格数据的任一维度。

可选地，所述预测模型为长短期记忆网络LSTM，其由输入层、隐藏层、输出层、损失层以及目标层构成，其损失函数为预测信息与目标信息的均方误差函数。

可选地，所述文本分类模型为卷积神经网络CNN；所述价格数据包括以下至少一种维度的数据：最低价、最高价、开盘价、收盘价、交易量、交易额以及涨跌幅；所述预测参考文本为股票相关新闻文本、和/或股评文本。

为实现上述目的，根据本发明的另一方面，提供了一种交易对象预测装置。

本发明实施例的交易对象预测装置包括：文本特征提取模块，用于获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用所述涨跌倾向因子确定目标交易对象在该周期的文本倾向指数；预测模块，用于将目标交易对象在所述多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。

可选地，所述交易对象包括股票，所述交易周期包括交易日。

可选地，多个历史交易日是连续的，未来交易日为所述多个历史交易日中最近一日的下一交易日。

可选地，所述文本倾向指数为所述多个历史交易日的涨跌倾向因子的平均值；任一预测参考文本的涨跌倾向因子为该预测参考文本的关注系数和其作者权重系数之和与其类别系数的乘积；所述类别系数是将该预测参考文本的特征向量输入预先训练完成的文本分类模型中得到的。

可选地，所述装置进一步包括：预处理模块，用于对每一预测参考文本进行分词；在分词结果中去除停用词，并将词语按照词频-逆向文件频率数值降序排列；选取在前的预设数量的词语进行向量转换，得到该预测参考文本的特征向量。

可选地，所述多个预测参考文本可根据类别系数分为看涨文本与看跌文本；所述文本特征提取模块进一步用于：获取看涨文本涨跌倾向因子的平均值以及看跌文本涨跌倾向因子的平均值，将二者差值与和的比值的绝对值确定为目标股票在该日的文本极化指数；所述预测模块进一步用于：将目标股票在所述多个历史交易日中每一日的文本极化指数输入所述预测模型。

可选地，所述预测模型是由多个批次的训练数据训练而成；其中，每一批次的训练数据包括：目标股票在连续的多个历史交易日中每一日的价格数据、文本倾向指数以及文本极化指数，还包括具有所述至少一个预设维度的目标信息，所述至少一个预设维度不同于价格数据的任一维度。

可选地，所述预测模型为长短期记忆网络LSTM，其由输入层、隐藏层、输出层、损失层以及目标层构成，其损失函数为预测信息与目标信息的均方误差函数。

可选地，所述文本分类模型为卷积神经网络CNN；所述价格数据包括以下至少一种维度的数据：最低价、最高价、开盘价、收盘价、交易量、交易额以及涨跌幅；所述预测参考文本为股票相关新闻文本、和/或股评文本。

为实现上述目的，根据本发明的又一方面，提供了一种电子设备。

本发明的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的交易对象预测方法。

为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。

本发明的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的交易对象预测方法。

根据本发明的技术方案，上述发明中的一个实施例具有如下优点或有益效果：(以下以交易对象为股票作为示例)

其一，在预测模型的训练阶段以及预测阶段，除了采用多个历史交易日的股票价格数据之外，还从与股票信息相关的预测参考文本(例如新闻文本、股评文本等)中提取量化其股票走势倾向的文本倾向指数引入模型训练与预测，从而扩展训练数据量，提升预测准确率。

其二，在计算某文本的文本倾向指数时，结合该文本的类别系数、关注系数及其作者的权重系数，从而实现全面精确的特征提取。

其三，在文本倾向指数之外，进一步引入表征预测参考文本中看涨与看跌两极化程度的文本极化指数，进一步提升预测精度。

其四，在预测模型方面，选择适于时间相关性较强场景、并善于处理具有较长间隔与延迟时间序列的长短期记忆网络LSTM(Long Short Term Memory)，并配置了适于股票预测的输入层、隐藏层、输出层、损失层、目标层网络结构，同时在调试中确定了网络的各种关键参数，确保股票预测方法的顺利执行。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例中交易对象预测方法的主要步骤示意图；

图2是根据本发明实施例中历史交易日股票价格波动示意图；

图3是根据本发明实施例中交易对象预测方法的预测模型结构示意图；

图4是根据本发明实施例中交易对象预测装置的组成模块示意图；

图5是根据本发明实施例可以应用于其中的示例性系统架构图；

图6是用来实现本发明实施例的交易对象预测方法的电子设备的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本发明实施例的技术方案中，除了将历史交易周期的价格数据引入模型的训练阶段与预测阶段，进一步引入预测参考文本的文本倾向指数、文本极化指数等特征，从而提升预测实时性和准确率。

需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。

图1是根据本发明实施例中交易对象预测方法的主要步骤示意图。

如图1所示，本发明实施例的交易对象预测方法可根据以下步骤执行：

步骤S101：获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用涨跌倾向因子确定目标交易对象在该周期的文本倾向指数。

具体应用中，交易对象可以是股票、债券等证券类交易对象，也可以是各种非证券类交易对象，本发明对此不作任何限制，以下以交易对象为股票作为示例。相应地，交易周期可以是交易日。在本发明实施例中，可建立机器学习模型来学习海量历史数据与股票信息之间的相关性，从而实现未来交易日股票信息的预测。整个工作流程可分为模型训练阶段与模型预测阶段，步骤S101为模型预测阶段的步骤。在此之前，需要首先进行模型训练。

具体应用中，可从目标股票(即待预测股票)在多个历史交易日的价格数据中获取训练数据。例如：从目标股票在连续多年的历史交易日的价格数据中提取训练数据特征。股票价格数据波动可如图2所示，图2是目标股票1990年到2014年的价格波动示意图，横坐标为时间(单位为天)，纵坐标为采用预设算法对交易价格标准化后的指标。实际应用中可适当的股票价格特征构成训练数据对预测模型进行训练。

具体地，对于目标股票从1990年到2014年的每一交易日，可选取如下特征：

最低价：指股票在每个交易日从开市到收市的交易过程中所产生的最低价格；

最高价：指股票在每个交易日从开市到收市的交易过程中所产生的最高价格；

开盘价：指股票在每个交易日开市后第一笔每股成交价格；

收盘价：指股票在交易日最后一笔交易前一分钟内所有交易的成交量的加权平均价；

交易量：指股票在交易日内成交总数；

交易额：指股票在交易日内的成交金额；

涨跌幅：指交易日内最高价或收盘价与前一交易日收盘价相比的涨跌幅度。

特别地，为了扩充训练数据量并提高预测精度，本发明从针对目标股票的预测参考文本中提取特征引入训练数据。预测参考文本指的是股票相关新闻文本、股评文本等与股票走势相关的媒体信息或舆论信息。在本发明实施例中，某一交易日的预测参考文本可以是该日从各种媒介(如互联网、电视、报纸)获取的非重文本信息，例如该日某电视台发布的新闻文本。

在获取到某一交易日的多个预测参考文本后，首先可通过以下步骤确定每一预测参考文本的特征向量：

1.对每一预测参考文本进行分词并去除停用词。实际应用中，可使用jieba(一种分词库)等工具进行分词。

2.将得到的词语按照词频-逆向文件频率(TF-IDF)数值降序排列，选取在前的预设数量的词语进行向量转换，得到预测参考文本的特征向量。向量转换可采用word2vec(一种词向量转换工具)实现。

具体应用场景中，在得到每一预测参考文本的特征向量之后，可将其输入预先训练完成的文本分类模型以计算该预测参考文本的类别系数。类别系数指的是标记预测参考文本对股票走势的判断倾向为看涨、看跌或中立的数值。例如：类别系数可以是1(看涨)、-1(看跌)和0(中立)，文本分类模型可以是有监督学习的卷积神经网络CNN。实际应用中，预测参考文本中若含有涨停、一字板、起飞、主力、反弹、增发、满仓、扫货等词语，被文本分类模型标记为看涨文本的概率较大，反之若含有跌停、地板、套牢、妖股、出逃、清仓等，易被标记为看跌文本。

在获取到每一预测参考文本的类别系数之后，可结合其关注系数和其作者权重系数计算该预测参考文本的涨跌倾向因子。涨跌倾向因子可以通过量化的形式反映预测参考文本对于股票走势的判断以及这种判断的可信度，预测参考文本的关注系数与其关注数量成正比，预测参考文本作者权重系数可与作者在媒介中的等级、活动时长(例如论坛中的注册时长)正相关。

通过上述类别系数、关注系数、作者权重系数，即可全面精确地提取反映预测参考文本对于股票影响的涨跌倾向因子。在一个实施例中，涨跌倾向因子可根据以下公式计算：

X₁＝A*(B+C)

其中，X₁为涨跌倾向因子，A为类别系数，B为关注系数，C为作者权重系数。

对于某一交易日的多个预测参考文本，可利用每一预测参考文本的涨跌倾向因子获取该日所有预测参考文本的文本倾向指数。文本倾向指数可以通过量化的形式反映该日所有的预测参考文本对于股票走势的判断和这种判断的置信度。实际应用中，可以将各预测参考文本的涨跌倾向因子的平均值(例如算数平均值、加权平均值)作为该日的文本倾向指数。

具体应用中，为了进一步提高预测精度，使预测结果可应用于实践活动，需要进一步提取某一交易日的文本极化指数。文本极化指数可表征某一交易日的所有预测参考文本中看涨文本与看跌文本的两极化分布程度。文本极化指数较高说明该日的预测参考文本对于股票走势的判断趋同，该日股票价格可能较为稳定；文本极化指数较低说明该日的预测参考文本对于股票走势的判断分歧较大，该日股票价格可能会较大幅度波动。

在本发明实施例中，文本极化指数可通过以下公式计算：

其中，X₂为某一交易日的文本极化指数，为该日看涨文本的涨跌倾向因子的平均值(如算数平均值、加权平均值)，为该日看涨文本的涨跌倾向因子的平均值(如算数平均值、加权平均值)。

通过以上步骤，即可得到每一历史交易日如下维度的数据：最低价、最高价、开盘价、收盘价、交易量、交易额、涨跌幅、文本倾向指数、文本极化指数。其中，前七种维度为股票价格维度，后两种为文本维度。具体应用场景中，由于历史交易日的股票价格和文本维度特征会在一定时间内影响未来交易日的股票信息，因此用于训练预测模型的多个批次(batch)的训练数据中的一个批次可以是基于连续历史交易日的时间序列。

具体地，一个批次的训练数据包括训练输入数据与训练期望数据，训练输入数据为股票在连续的多个历史交易日(如连续的60个交易日)中每一日的多个维度的数据，训练期望数据(也可称为目标信息)为未来交易日(如连续的60个交易日之后的一个交易日)具有至少一个预设维度的股票信息。需要说明的是，上述未来交易日只是针对训练输入数据对应的历史交易日而言。

此外，目标信息包含的预设维度一般为股票价格维度，且其不同于训练输入数据的维度，因此需要从七种股票价格维度中选取一部分作为训练输入数据的维度，另一部分即可作为上述预设维度。

例如：在图2所示的6000个左右的历史交易日中，可通过如下方式生成训练数据：选取第一到第六十个历史交易日构建第一批次训练数据，每一日训练数据选取以下维度：最低价、开盘价、收盘价、交易量、交易额、涨跌幅、文本倾向指数、文本极化指数，第一批次的目标信息为第六十一个历史交易日的最高价。以相似方式从第二、三、四......个历史交易日开始，即可最终构建五千多批次训练数据，将上述训练数据输入预测模型即可得到预测股票最高价的模型。可以理解的是，可从上述训练数据中选取一部分作为验证数据以验证训练效果。

在本发明实施例中，预测模型可采用适于时间相关性较强场景、并善于处理具有较长间隔与延迟时间序列的长短期记忆网络LSTM。图3是本发明实施例中LSTM结构示意图，如图3所示，LSTM由依次连接的输入层x、隐藏层h、输出层o、损失层L以及目标层y构成，其中的目标层用于接收每一批次训练数据中的目标信息，损失层用于衡量输出层节点与目标层节点的距离，输入层到隐藏层的连接由权重矩阵U参数化，隐藏层到隐藏层的循环连接由权重矩阵W参数化，隐藏层到输出层的连接由权重矩阵V参数化。图3右侧为左侧网络的展开图，其中的每一个节点与一个特定的时间实例相关联。需要说明的是，图3仅为示意，并不对实际使用的LSTM结构作出任何限制。

具体应用中，可将预测信息与目标信息的均方误差函数作为LSTM的损失函数，可设置优化器计算权重和偏差变量以实现损失函数最小化，可采用高斯随机初始化方法初始化模型参数。此外，实际应用中，可通过调试确定LSTM的各关键参数，如可将步长time_step设置为20，隐藏层神经元数量run_unit设置为10，批次大小batch_size设置为60，学习速率learning_rate设置为0.0006，梯度裁剪阈值gradient clip设置为5，优化器算法optimizer设置为Adam，随机丢弃率dropout rate设置为0.4。

实际应用中，训练数据和测试数据在输入LSTM之前，需要进行标准化处理。以训练数据为例，一个批次的训练数据输入LSTM之前，可分别针对训练输入数据的股票价格维度进行下式所示的标准化：

可以理解的是，上述标准化处理还可以采用最大最小标准化等方法。

需要说明的是，除了LSTM，本发明还可采用其它适用的循环神经网络，或采用其它的机器学习模型进行股票预测，本发明对此不作任何限制。

步骤S102：将目标交易对象在多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。

以下仍然以交易对象为股票、交易周期为交易日作为示例：本步骤执行于预测模型训练完成之后的模型预测阶段，在本步骤中，为了预测目标股票在未来交易日的信息，将此前多个历史交易日中每一日的价格数据和文本倾向指数输入预测模型即可。一般地，上述多个历史交易日是连续的，未来交易日为上述多个历史交易日中距当前时刻最近一日的下一交易日。例如：为了预测未开盘的3月2日的股票信息，可将已收盘的、由3月1日上溯的连续60个交易日的价格数据和文本倾向指数输入。

在本发明实施例中，为了提高预测精度，还可在输入价格数据和文本倾向指数的同时，将文本极化指数输入预测模型。

在本发明实施例的技术方案中，除了将历史交易周期的价格数据引入模型的训练阶段与预测阶段之外，进一步引入预测参考文本的文本倾向指数、文本极化指数等特征，从而提升预测准确率以指导实践。

图4是本发明实施例的交易对象预测装置的主要模块示意图。

如图4所示，本发明实施例的交易对象预测装置400可包括：文本特征提取模块401和预测模块402。其中：

文本特征提取模块401可用于获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用所述涨跌倾向因子确定目标交易对象在该周期的文本倾向指数；

预测模块402可用于将目标交易对象在所述多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。

较佳地，所述交易对象包括股票，所述交易周期包括交易日。

在本发明实施例中，多个历史交易日是连续的，未来交易日为所述多个历史交易日中最近一日的下一交易日。

具体应用中，所述文本倾向指数为所述多个历史交易日的涨跌倾向因子的平均值；任一预测参考文本的涨跌倾向因子为该预测参考文本的关注系数和其作者权重系数之和与其类别系数的乘积；所述类别系数是将该预测参考文本的特征向量输入预先训练完成的文本分类模型中得到的。

实际应用场景中，所述装置400可进一步包括预处理模块，其用于对每一预测参考文本进行分词；在分词结果中去除停用词，并将词语按照词频-逆向文件频率数值降序排列；选取在前的预设数量的词语进行向量转换，得到该预测参考文本的特征向量。

较佳地，在本发明实施例中，所述多个预测参考文本可根据类别系数分为看涨文本与看跌文本；所述文本特征提取模块401可进一步用于：获取看涨文本涨跌倾向因子的平均值以及看跌文本涨跌倾向因子的平均值，将二者差值与和的比值的绝对值确定为目标股票在该日的文本极化指数；所述预测模块402可进一步用于：将目标股票在所述多个历史交易日中每一日的文本极化指数输入所述预测模型。

作为一个优选方案，所述预测模型是由多个批次的训练数据训练而成；其中，每一批次的训练数据包括：目标股票在连续的多个历史交易日中每一日的价格数据、文本倾向指数以及文本极化指数，还包括具有所述至少一个预设维度的目标信息，所述至少一个预设维度不同于价格数据的任一维度。

在一可选实现方式中，所述预测模型为长短期记忆网络LSTM，其由输入层、隐藏层、输出层、损失层以及目标层构成，其损失函数为预测信息与目标信息的均方误差函数。

此外，在本发明实施例中，所述文本分类模型为卷积神经网络CNN；所述价格数据包括以下至少一种维度的数据：最低价、最高价、开盘价、收盘价、交易量、交易额以及涨跌幅；所述预测参考文本为股票相关新闻文本、和/或股评文本。

在本发明实施例的技术方案中，除了将历史交易周期的价格数据引入模型的训练阶段与预测阶段，进一步引入预测参考文本的文本倾向指数、文本极化指数等特征，从而提升预测准确率以指导实践。

图5示出了可以应用本发明实施例的交易对象预测方法或交易对象预测装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的交易对象预测方法一般由服务器505执行，相应地，交易对象预测装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

本发明还提供了一种电子设备。本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的交易对象预测方法。

下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元601执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，两个接连地表示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，这根据所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括文本特征提取模块和预测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，文本特征提取模块还可以被描述为“向预测模块发送文本倾向指数的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该设备执行时，使得该设备执行的步骤包括：获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用所述涨跌倾向因子确定目标交易对象在该周期的文本倾向指数；将目标交易对象在所述多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。

根据本发明实施例的技术方案，在将历史交易周期的价格数据引入模型的训练阶段与预测阶段之外，进一步引入预测参考文本的文本倾向指数、文本极化指数等特征，从而提升预测准确率以指导实践。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (20)

1.一种交易对象预测方法，其特征在于，包括：

获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用所述涨跌倾向因子确定目标交易对象在该周期的文本倾向指数；

将目标交易对象在所述多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。

2.根据权利要求1所述的方法，其特征在于，所述交易对象包括股票，所述交易周期包括交易日。

3.根据权利要求2所述的方法，其特征在于，多个历史交易日是连续的，未来交易日为所述多个历史交易日中最近一日的下一交易日。

4.根据权利要求3所述的方法，其特征在于，

所述文本倾向指数为所述多个历史交易日的涨跌倾向因子的平均值；

任一预测参考文本的涨跌倾向因子为该预测参考文本的关注系数和其作者权重系数之和与其类别系数的乘积；以及，

所述类别系数是将该预测参考文本的特征向量输入预先训练完成的文本分类模型中得到的。

5.根据权利要求4所述的方法，其特征在于，所述方法进一步包括：

对每一预测参考文本进行分词；

在分词结果中去除停用词，并将词语按照词频-逆向文件频率数值降序排列；以及，

选取在前的预设数量的词语进行向量转换，得到该预测参考文本的特征向量。

6.根据权利要求4所述的方法，其特征在于，所述多个预测参考文本可根据类别系数分为看涨文本与看跌文本；以及，所述方法进一步包括：

获取看涨文本涨跌倾向因子的平均值以及看跌文本涨跌倾向因子的平均值，将二者差值与和的比值的绝对值确定为目标股票在该日的文本极化指数，并将目标股票在所述多个历史交易日中每一日的文本极化指数输入所述预测模型。

7.根据权利要求6所述的方法，其特征在于，所述预测模型是由多个批次的训练数据训练而成；其中，

每一批次的训练数据包括：目标股票在连续的多个历史交易日中每一日的价格数据、文本倾向指数以及文本极化指数，还包括具有所述至少一个预设维度的目标信息，所述至少一个预设维度不同于价格数据的任一维度。

8.根据权利要求1所述的方法，其特征在于，所述预测模型为长短期记忆网络LSTM，其由输入层、隐藏层、输出层、损失层以及目标层构成，其损失函数为预测信息与目标信息的均方误差函数。

9.根据权利要求4-7任一所述的方法，其特征在于，

所述文本分类模型为卷积神经网络CNN；

所述价格数据包括以下至少一种维度的数据：最低价、最高价、开盘价、收盘价、交易量、交易额以及涨跌幅；

所述预测参考文本为股票相关新闻文本、和/或股评文本。

10.一种交易对象预测装置，其特征在于，包括：

文本特征提取模块，用于获取目标交易对象在多个历史交易周期中每一周期的多个预测参考文本，并确定每一预测参考文本的涨跌倾向因子；利用所述涨跌倾向因子确定目标交易对象在该周期的文本倾向指数；

预测模块，用于将目标交易对象在所述多个历史交易周期中每一周期的价格数据和文本倾向指数输入预先训练完成的预测模型，得到目标交易对象在未来交易周期至少一个预设维度的信息。

11.根据权利要求10所述的装置，其特征在于，所述交易对象包括股票，所述交易周期包括交易日。

12.根据权利要求11所述的装置，其特征在于，多个历史交易日是连续的，未来交易日为所述多个历史交易日中最近一日的下一交易日。

13.根据权利要求12所述的装置，其特征在于，

所述文本倾向指数为所述多个历史交易日的涨跌倾向因子的平均值；

任一预测参考文本的涨跌倾向因子为该预测参考文本的关注系数和其作者权重系数之和与其类别系数的乘积；以及，

所述类别系数是将该预测参考文本的特征向量输入预先训练完成的文本分类模型中得到的。

14.根据权利要求13所述的装置，其特征在于，所述装置进一步包括：

预处理模块，用于：对每一预测参考文本进行分词；在分词结果中去除停用词，并将词语按照词频-逆向文件频率数值降序排列；选取在前的预设数量的词语进行向量转换，得到该预测参考文本的特征向量。

15.根据权利要求13所述的装置，其特征在于，所述多个预测参考文本可根据类别系数分为看涨文本与看跌文本；以及，

所述文本特征提取模块进一步用于：获取看涨文本涨跌倾向因子的平均值以及看跌文本涨跌倾向因子的平均值，将二者差值与和的比值的绝对值确定为目标股票在该日的文本极化指数；

所述预测模块进一步用于：将目标股票在所述多个历史交易日中每一日的文本极化指数输入所述预测模型。

16.根据权利要求15所述的装置，其特征在于，所述预测模型是由多个批次的训练数据训练而成；其中，

每一批次的训练数据包括：目标股票在连续的多个历史交易日中每一日的价格数据、文本倾向指数以及文本极化指数，还包括具有所述至少一个预设维度的目标信息，所述至少一个预设维度不同于价格数据的任一维度。

17.根据权利要求10所述的装置，其特征在于，所述预测模型为长短期记忆网络LSTM，其由输入层、隐藏层、输出层、损失层以及目标层构成，其损失函数为预测信息与目标信息的均方误差函数。

18.根据权利要求13-16任一所述的装置，其特征在于，

所述文本分类模型为卷积神经网络CNN；

所述价格数据包括以下至少一种维度的数据：最低价、最高价、开盘价、收盘价、交易量、交易额以及涨跌幅；

所述预测参考文本为股票相关新闻文本、和/或股评文本。

19.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。