CN111291925A - 一种基于人工智能的金融市场预测及决策的系统、方法 - Google Patents
一种基于人工智能的金融市场预测及决策的系统、方法 Download PDFInfo
- Publication number
- CN111291925A CN111291925A CN202010055376.8A CN202010055376A CN111291925A CN 111291925 A CN111291925 A CN 111291925A CN 202010055376 A CN202010055376 A CN 202010055376A CN 111291925 A CN111291925 A CN 111291925A
- Authority
- CN
- China
- Prior art keywords
- data
- market
- emotion
- prediction model
- hedge
- 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
Images
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
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于人工智能的金融市场预测及决策的方法、系统,该系统包括:数据获取模块、市场情绪特征构建模块、另类数据特征构建模块、量价数据特征构建模块、LSTM预测模型、风险对冲计算模块和投资决策模块,其中,通过获取海量数据,对量价数据、市场情绪数据及另类数据进行特征选取后输入到LSTM预测模型,计算最优风险对冲比例,为投资者提供决策及市场分析。通过该方案解决了现有金融市场预估方法预测及决策结果准确度不高的问题,可以有效提高预测、决策结果的准确性和可靠性,设计出合理的投资策略,提高投资收益。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的金融市场预测及决策的系统、方法。
背景技术
随着经济的发展,金融市场在社会中扮演着越来越重要的角色。随着金融交易和信息体系的现代化,大量信息涌现,信息是金融市场无形的资产,但如何对海量的金融相关数据进行分析,合理的利用数据进行市场预测,是一个需要探讨的问题。
金融市场中股票期货价格受多方影响,不仅受到本身公司经营方面以及历史数据的影响,还会受到整体政策、行业、上下会游各种因素影响。目前,基于卷积神经网络的预测模型,虽然可以对多维的金融特征数据进行处理分析,但由于未考虑到历史数据的影响,对金融市场的风险评估及风险对冲策略预测不准,尤其但对单一种类的股票期货,很难达到很高的准确率。
发明内容
有鉴于此,本发明实施例提供了一种基于人工智能的金融市场预测及决策的系统、方法,以解决的现有金融市场预测及决策结果准确度不高的问题。
在本发明实施例的第一方面,提供了一种基于人工智能的金融市场预测及决策的系统,包括:
数据获取模块:用于获取金融市场的量价数据、原始市场情绪数据及另类数据,其中所述另类数据为影响市场量价的相关数据;
市场情绪特征构建模块:用于通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类,提取市场情绪数据特征;
另类数据特征构建模块:用于对所述另类数据平滑处理,并提取所述另类数据特征;
量价数据特征构建模块:用于对所述量价数据预处理后,划分所述量价数据特征类型,通过PAC算法选取主要特征;
LSTM预测模型:用于采用LSTM的金融时间序列序列预测模型,对收益率和波动率进行预测;
风险对冲计算模块:用于通过均方动态模型计算最优风险对冲比例;
投资决策模块:用于根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。
在本发明实施例的第二方面,提供了一种基于人工智能的金融市场预测及决策的方法,包括:
获取金融市场的量价数据、原始市场情绪数据及另类数据,其中所述另类数据为影响市场量价的相关数据;
通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类,提取市场情绪数据特征;
对所述另类数据平滑处理,并提取所述另类数据特征;
对所述量价数据预处理后,划分所述量价数据特征类型,通过PAC算法选取主要特征;
将市场情绪数据特征、另类数据特征及量价数据主要特征输入LSTM预测模型,采用LSTM的金融时间序列序列预测模型,对收益率和波动率进行预测;
通过均方动态模型计算最优风险对冲比例;
根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。
本发明实施例中,建立基于时间序列的预测模型(LSTM模型),分别获取传统的股票期货行情数据、另类数据及市场情绪数据,通过提取数据特征输入到预测模型预测市场的价格走势并得到最佳风险对冲比例,为投资者提供市场分析以及投资决策。可以解决现有金融市场预测准确度较低的问题,结合历史金融数据以及多方面相关数据能有效提高风险预测的准确性,并能设计出最佳的风险对冲比及投资策略,可以提高投资收益。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,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取其他附图。
图1为本发明的一个实施例提供的一种基于人工智能的金融市场预测及决策的系统的结构示意图;
图2为本发明的一个实施例提供的一种基于人工智能的金融市场预测及决策方法的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1,本发明实施例提供的一种基于人工智能的金融市场预测及决策的系统的结构示意图,包括:
数据获取模块110:用于获取金融市场的量价数据、原始市场情绪数据及另类数据,其中所述另类数据为影响市场量价的相关数据;
在所述数据获取模块110中分别获取:量价数据,如期货行情数据、企业经营状况等;原始市场情绪数据,以新闻与用户交流内容为主,具体获取方式为利用Scrapy爬取雪球网(即一个财经证券门户网站,网站内容涉及财经、股票、基金、期货、债券、外汇、银行、保险等诸多金融资讯与财经信息,包括用户交流讨论的平台),以获得财经新闻以及获取用户交流数据;另类数据,包括可以影响交易市场量价的相关数据,以豆粕期货为例,农产品期货价格会受天气影响,故将天气情况作为期货价格的一个影响因子,此类数据不同于传统的金融数据,故称作另类数据,具体获取方式如爬取天气预报网站,获得历史天气数据。
市场情绪特征构建模块120:用于通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类,提取市场情绪数据特征;
采用encoder-decoder模型和神经网络情绪分类算法对相关新闻及用户讨论内容进行情感分类,主要为文本分类。具体的,选取卷积神经网络(CNN)作为编码器,反卷积神经网络作为解码器,通过编码解码器的深度神经网络,将文本内容映射到高维的语义空间上。通过这种方式的语义向量,再经过神经网络进行有监督的分类即可准确的训练出模型,最终将新闻文本或用户评论内容区分成正向情感、负向情感、无情感三类,以此进行情感分类,并将分类后的市场情绪作为一种特征输入到预测模型中。
文本情绪分析技术主要利用NLP(自然语言处理)等方法来对文本所包含的情感倾向做出判断,其可分为积极、消极和中性等。具体处理过程中,将文本内容进行特征选择与提取,通过提取关键词来表征句子情感,再利用SVM、决策树等常见的分类算法对文本情感倾向做出判断。
另类数据特征构建模块130:用于对所述另类数据平滑处理,并提取所述另类数据特征;
依据股票期货的类型不同、所处行业不同,以及对其价格的影响因素不同,导致有效的另类数据的确定也不同。如,以农产品期货为例,价格的走势受农产品产地气候的影响,此时可以获取气候数据来作为影响期货价格的因子之一;社交软件的经营状况与用户量相关,则可以通过获取社交平台的活跃用户数量及其变化来对企业经营状况进行合理评价等等。一般另类数据的获取与处理方法根据股票期货种类的不同而存在一定差别,以农产品期货为例,对获取到大量的历史天气数据做平滑处理,作为一种特征输入到预测模型中。若对另类数据的处理涉及对文本类数据的理解,如通过用户评价得知某企业的口碑以此评价企业的经营状况,则可通过情绪分析模型,对文本进行情感分类。
量价数据特征构建模块140:用于对所述量价数据预处理后,划分所述量价数据特征类型,通过PAC算法选取主要特征;
所述预处理是指将所获得的海量数据进行适当处理,包括平滑处理和归一化处理等,平滑处理可以一定程度消除奇异值的干扰,归一化后的数据能够加速模型的收敛。
对于量价类特征,可以分为五类:(1)规模类特征:与企业规模有关的特征,如总资产、总负债、总市值、流通市值等;(2)价值类特征:主要是一些常见的估值指标,如市盈率PE、市净率PB等;(3)成长类特征:与企业业绩增长有关的特征,如净利润增长率、营业收入增长率等等;(4)质量类特征:反映公司的资本结构、盈利质量的特征,如ROA、杠杆比率等;(5)技术类特征:主要是一些技术指标,如MA(移动平均线)、RSI(相对强弱指标)等。由以上三类特征建立起特征库以供测试与挑选。
在不同类特征的测试挑选过程中,对特征可以进行自相关性检验,回归法检验特征的回归收益以确定特征与收益率的正负相关性,特征rank IC序列的检验等,从特征库中选择合适的特征用于预测模型。经以上筛选过后特征仍较多,使用PAC去除特征冗余,构建出最终的特征。
LSTM预测模型150:用于采用LSTM的金融时间序列序列预测模型,对收益率和波动率进行预测;
对于基于LSTM的金融时间序列预测模型,其输入包括量价数据、另类数据及市场情绪数据。
预测的内容包括两部分:一是对收益率进行预测,以此得到涨跌信息;二是对波动率进行预测,以此作为风险指标。结合两个指标结合,可以得出对单只股票期货的四种评价:高风险-高收益、高风险-低收益、低风险-低收益、低风险-高收益。
优选的,训练单元,用于根据所述LSTM预测模型的输出结果,构建历史数据训练集,对所述LSTM预测模型进行不断训练,缩小真实值和预测值之间差异。
在本实施例中,基于LSTM的预测模型,既可以改善梯度爆炸,也适用于处理与时间序列高度相关的问题。
风险对冲计算模块160:用于通过均方动态模型计算最优风险对冲比例;
采用基于均方动态的模型计算最优对冲比例。具体的,在效用最大化目标下构建股指期货动态对冲策略,将股指期货市场上的对冲比一般化,运用动态规划的方法,计算股指期货动态对冲的各期最优对冲比,最终得出最优对冲比的表达形式,以此求出最优对冲比例。
投资决策模块170:用于根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。
具体的,根据预测结果以及风险对冲比例进行选股,根据用户喜好将合适的股票期货放入每一天的备选池。每N天作为调仓日,在每一个调仓日,首先卖出所有持有股票,然后选取所有备选池中的股票期货等权买入,并根据风险对冲比例,确定股指期货的买入量,完成策略设计。通过每日的盈亏,可以计算年化收益率、贝塔值、波动率等策略评价指标,以此来分析策略的有效性。
通过本实施例提供的系统,运用机器学习相关技术建立预测模型,利用传统的股票期货行情数据以及区别于传统金融数据的另类数据,结合市场情绪分析,采用量化交易的思想和策略,预测股票期货市场的价格走势并得到最佳风险对冲比例,可以有效提高预测及决策的准确性,并为投资者提供市场分析,根据投资者喜好选择合适的股票期货种类,提高整体投资收益。
在图1的基础上,还提供了一种基于人工智能的金融市场预测及决策的系统对应的方法,如图2所示,为本发明实施例提供的一种基于人工智能的金融市场预测及决策的方法的流程示意图,该方法包括:
S201、获取金融市场的量价数据、原始市场情绪数据及另类数据,其中所述另类数据为影响市场量价的相关数据;
S202、通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类,提取市场情绪数据特征;
具体的,将卷积神经网络作为编码器,将反卷积神经网络作为解码器,通过编码解码的深度神经网络,将所述原始市场情绪数据对应的文本内容映射到高维语义空间;
对深度神经网络进行有监督的分类训练出分类模型,通过所述分类模型将所述原始市场情绪数据区分成正向情感、负向情感和无情感。
S203、对所述另类数据平滑处理,并提取所述另类数据特征;
S204、对所述量价数据预处理后,划分所述量价数据特征类型,通过PAC算法选取主要特征;
可选的,将所述量价数据分为规模类特征、价值类特征、成长类特征、质量类特征、技术类特征,选取三类特征建立特征库以进行测试和挑选;
选取量价数据特征分别进行自相关检验、回归法检验及rank I C序列检验。
S205、将市场情绪数据特征、另类数据特征及量价数据主要特征输入LSTM预测模型,采用LSTM的金融时间序列序列预测模型,对收益率和波动率进行预测;
采用量化交易的思想和策略,综合股票期货市场的各类影响因素,分析政策因子、情绪因子、风控因子和成长因子等多维度参考特征因子对股票期货市场产生的不同影响,创建特征库,筛选出影响因素较大的因子,并通过PCA方法选取主要特征用于LSTM预测模型。
具体的,结合所述收益率和波动率,对单只股票期货进行评价,所述评价包括高风险-高收益、高风险-低收益、低风险-高收益和低风险-低收益。
优选的,根据所述LSTM预测模型的输出结果,构建历史数据训练集,对所述LSTM预测模型进行不断训练,缩小真实值和预测值之间差异。
S206、通过均方动态模型计算最优风险对冲比例;
具体的,在效用最大化目标下构建股指期货动态对冲策略,将股指期货市场上的对冲比一般化,采用动态规划方法,计算股指期货动态对冲的各期最优对冲比,获取最优对冲比的表达形式以计算最优对冲比例。
S207、根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。
优选的,根据用户喜好将对应的股票期货放入每一天的备选池;
设定在每个预定的调仓日,卖出所有持有的股票,选择所述备选池中股票期货等权买入,并根据最优风险对冲比例,确定股指期货买入量;
通过计算策略评价指标分析策略的有效性。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于人工智能的金融市场预测及决策的系统,其特征在于,包括:
数据获取模块:用于获取金融市场的量价数据、原始市场情绪数据及另类数据,其中所述另类数据为影响市场量价的相关数据;
市场情绪特征构建模块:用于通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类,提取市场情绪数据特征;
另类数据特征构建模块:用于对所述另类数据平滑处理,并提取所述另类数据特征;
量价数据特征构建模块:用于对所述量价数据预处理后,划分所述量价数据特征类型,通过PAC算法选取主要特征;
LSTM预测模型:用于采用LSTM的金融时间序列序列预测模型,对收益率和波动率进行预测;
风险对冲计算模块:用于通过均方动态模型计算最优风险对冲比例;
投资决策模块:用于根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。
2.根据权利要求1所述的系统,其特征在于,所述通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类,提取市场情绪数据特征具体为:
将卷积神经网络作为编码器,将反卷积神经网络作为解码器,通过编码解码的深度神经网络,将所述原始市场情绪数据对应的文本内容映射到高维语义空间;
对深度神经网络进行有监督的分类训练出分类模型,通过所述分类模型将所述原始市场情绪数据区分成正向情感、负向情感和无情感。
3.根据权利要求1所述的系统,其特征在于,所述划分所述量价数据特征类型,通过PAC算法选取主要特征包括:
将所述量价数据分为规模类特征、价值类特征、成长类特征、质量类特征、技术类特征,选取三类特征建立特征库以进行测试和挑选;
选取量价数据特征分别进行自相关检验、回归法检验及rank IC序列检验。
4.根据权利要求1所述的系统,其特征在于,所述LSTM预测模型:用于采用LSTM的金融时间序列序列预测模型,对收益率和波动率进行预测包括:
结合所述收益率和波动率,对单只股票期货进行评价,所述评价包括高风险-高收益、高风险-低收益、低风险-高收益和低风险-低收益。
5.根据权利要求1所述的系统,其特征在于,所述LSTM预测模型还包括:
训练单元,用于根据所述LSTM预测模型的输出结果,构建历史数据训练集,对所述LSTM预测模型进行不断训练,缩小真实值和预测值之间差异。
6.根据权利要求1所述的系统,其特征在于,所述通过均方动态模型计算最优动态比例具体为:
在效用最大化目标下构建股指期货动态对冲策略,将股指期货市场上的对冲比一般化,采用动态规划方法,计算股指期货动态对冲的各期最优对冲比,获取最优对冲比的表达形式以计算最优对冲比例。
7.根据权利要求1所述的系统,其特征在于,所述根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股还包括:
根据用户喜好将对应的股票期货放入每一天的备选池;
设定在每个预定的调仓日,卖出所有持有的股票,选择所述备选池中股票期货等权买入,并根据最优风险对冲比例,确定股指期货买入量;
通过计算策略评价指标分析策略的有效性。
8.一种基于人工智能的金融市场预测及决策的方法,其特征在于,包括:
获取金融市场的量价数据、原始市场情绪数据及另类数据,其中所述另类数据为影响市场量价的相关数据;
通过Encoder-Decoder神经网络情绪分类算法对所述原始市场情绪数据进行情感分类,提取市场情绪数据特征;
对所述另类数据平滑处理,并提取所述另类数据特征;
对所述量价数据预处理后,划分所述量价数据特征类型,通过PAC算法选取主要特征;
将市场情绪数据特征、另类数据特征及量价数据主要特征输入LSTM预测模型,采用LSTM的金融时间序列序列预测模型,对收益率和波动率进行预测;
通过均方动态模型计算最优风险对冲比例;
根据所述LSTM预测模型的预测结果及所述风险对冲计算模块计算的对冲比例进行选股。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010055376.8A CN111291925A (zh) | 2020-01-18 | 2020-01-18 | 一种基于人工智能的金融市场预测及决策的系统、方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010055376.8A CN111291925A (zh) | 2020-01-18 | 2020-01-18 | 一种基于人工智能的金融市场预测及决策的系统、方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111291925A true CN111291925A (zh) | 2020-06-16 |
Family
ID=71023192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010055376.8A Pending CN111291925A (zh) | 2020-01-18 | 2020-01-18 | 一种基于人工智能的金融市场预测及决策的系统、方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291925A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925830A (zh) * | 2021-03-15 | 2021-06-08 | 山东大学 | 投资-再保险决策方法及系统 |
CN114092254A (zh) * | 2021-11-26 | 2022-02-25 | 桂林电子科技大学 | 一种基于人工智能的消费金融交易方法及其交易系统 |
CN114119233A (zh) * | 2021-12-01 | 2022-03-01 | 北京航空航天大学 | 股票基金的投资者情绪指数构建方法、累计净值收益率预测方法、装置及设备 |
CN116503174A (zh) * | 2023-06-26 | 2023-07-28 | 北京力码科技有限公司 | 一种基于大数据的金融数据预测系统 |
CN116611696A (zh) * | 2023-07-19 | 2023-08-18 | 北京大学 | 一种基于时间序列分析的数字资产市场风险预测系统 |
WO2023185089A1 (zh) * | 2022-03-29 | 2023-10-05 | 深圳先进技术研究院 | 金融衍生品价格的预测方法、预测装置、存储介质和设备 |
-
2020
- 2020-01-18 CN CN202010055376.8A patent/CN111291925A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925830A (zh) * | 2021-03-15 | 2021-06-08 | 山东大学 | 投资-再保险决策方法及系统 |
CN114092254A (zh) * | 2021-11-26 | 2022-02-25 | 桂林电子科技大学 | 一种基于人工智能的消费金融交易方法及其交易系统 |
CN114119233A (zh) * | 2021-12-01 | 2022-03-01 | 北京航空航天大学 | 股票基金的投资者情绪指数构建方法、累计净值收益率预测方法、装置及设备 |
WO2023185089A1 (zh) * | 2022-03-29 | 2023-10-05 | 深圳先进技术研究院 | 金融衍生品价格的预测方法、预测装置、存储介质和设备 |
CN116503174A (zh) * | 2023-06-26 | 2023-07-28 | 北京力码科技有限公司 | 一种基于大数据的金融数据预测系统 |
CN116611696A (zh) * | 2023-07-19 | 2023-08-18 | 北京大学 | 一种基于时间序列分析的数字资产市场风险预测系统 |
CN116611696B (zh) * | 2023-07-19 | 2024-01-26 | 北京大学 | 一种基于时间序列分析的数字资产市场风险预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829631B (zh) | 一种基于记忆网络的企业风险预警分析方法及系统 | |
CN111291925A (zh) | 一种基于人工智能的金融市场预测及决策的系统、方法 | |
CN109859052B (zh) | 一种投资策略的智能推荐方法、装置、存储介质和服务器 | |
Tsai et al. | Determinants of intangible assets value: The data mining approach | |
TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
Chandar | Convolutional neural network for stock trading using technical indicators | |
Gao | The use of machine learning combined with data mining technology in financial risk prevention | |
CN107437227A (zh) | 股票投资分析装置与方法 | |
Matviychuk et al. | Neuro-fuzzy model of country's investment potential assessment | |
Rezaie et al. | Efficiency appraisal and ranking of decision-making units using data envelopment analysis in fuzzy environment: a case study of Tehran stock exchange | |
Shi et al. | Method for improving the performance of technical analysis indicators by neural network models | |
Yang et al. | The extraction of early warning features for predicting financial distress based on XGBoost model and shap framework | |
Ghule et al. | Gold price prediction using machine learning | |
Marti | From data to trade: A machine learning approach to quantitative trading | |
Taghian et al. | A reinforcement learning based encoder-decoder framework for learning stock trading rules | |
WO2021059247A1 (en) | Dynamically-generated electronic database for portfolio selection | |
Singh et al. | A Novel Approach for Predict Stock Prices in Fusion of Investor's Sentiment and Stock Data | |
Arshad et al. | Increasing profitability and confidence by using interpretable model for investment decisions | |
Terzi et al. | Comparison of financial distress prediction models: Evidence from turkey | |
Shaju et al. | Prediction Model for Stock Trading using Combined Long Short Term Memory and Neural Prophet with Regressors. | |
Renganathan | Stock price analysis through Statistical and Data Science tools: An Overview | |
AYYILDIZ | Prediction of Stock Market Index Movements with Machine Learning | |
Moodi et al. | A CNN-LSTM deep neural network with technical indicators and sentiment analysis for stock price forecastings | |
Maleki et al. | A Risk-Based Trading System Using Algorithmic Trading and Deep Learning Models | |
Namdari et al. | Proposing a self-optimizing neural network to predict total stock return |
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: 20200616 |