CN114549195A - 基于产业链图谱的市值重估分析方法及可视化分析系统 - Google Patents

基于产业链图谱的市值重估分析方法及可视化分析系统 Download PDF

Info

Publication number
CN114549195A
CN114549195A CN202111663221.3A CN202111663221A CN114549195A CN 114549195 A CN114549195 A CN 114549195A CN 202111663221 A CN202111663221 A CN 202111663221A CN 114549195 A CN114549195 A CN 114549195A
Authority
CN
China
Prior art keywords
stock price
analysis
data
market
reevaluation
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
CN202111663221.3A
Other languages
English (en)
Inventor
李少华
胡彦鹏
罗乐
孙雨晶
李晨辉
王长波
沙曼
徐军峰
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.)
Shanghai Huaxin Co ltd
Original Assignee
Shanghai Huaxin Co 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 Shanghai Huaxin Co ltd filed Critical Shanghai Huaxin Co ltd
Priority to CN202111663221.3A priority Critical patent/CN114549195A/zh
Publication of CN114549195A publication Critical patent/CN114549195A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Technology Law (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供基于产业链图谱的市值重估分析方法及可视化分析系统，其中，市值重估分析方法包括以下步骤：S1、构建不同行业的产业链图谱数据；S2、构建归一化的历史股价数据；S3、构建基于循环神经网络和图卷积网络的分析模型进行股价分析，获得股价分析结果；S4、基于股价分析结果计算获得市值重估分析结果。本发明所提供的市值重估分析方法，通过结合循环神经网络和图卷积网络，可同时捕获股价的时序特征以及股价之间的联动关系，可较为合理的分析出股价的短期走势和长期走势，进而有助于对市场价值进行更有效的评估分析判断。通过可视化分析系统，可将分析结果进行可视化呈现，供用户交互探索，具有一定的实用价值。

Description

基于产业链图谱的市值重估分析方法及可视化分析系统
技术领域
本发明涉及金融风险管控技术，尤其是基于产业链图谱的市值重估分析方法及可视化分析系统。
背景技术
市值重估可以帮助投资者掌握上市公司动态，发现价值投资的客观规律，进而进行最优的投资组合配置。因此，如何分析市场规律进而估计市场价值长期以来一直吸引着众多投资者和研究人员。股票价格间接反映了市场价值，通过分析股票价格的波动可以有效估计市场价值的变化。
深度神经网络的快速发展，为股票价格的分析提供了新的手段。目前已有将循环神经网络及其变体应用于股票价格分析的实践，但由于股票价格与多种因素相关，特别是我国股市股价上涨或下跌的联动现象非常普遍，因此，仅使用循环神经网络进行股票价格分析通常会出现过拟合现象，即在训练集上表现效果良好，但在真实场景中的分析效果一般。因此，有必要提供一种可对市场价值进行更有效分析的解决方案。
发明内容
本发明的目的在于至少部分的解决上述现有技术问题，提供基于产业链图谱的市值重估分析方法及可视化分析系统。
本发明提供的一种基于产业链图谱的市值重估分析方法，包括以下步骤：
S1、针对所有上市公司构建不同行业的产业链图谱数据；
S2、针对所有上市公司构建归一化的历史股价数据；
S3、构建基于循环神经网络和图卷积网络的分析模型进行股价分析，其中，采用图卷积网络对所构建的产业链图谱数据进行处理，提取出各产业链图谱数据中的股价关联关系；
采用循环神经网络对股价关联关系和所构建的历史股价数据进行处理，获得股价分析结果；
S4、基于股价分析结果计算获得市值重估分析结果。
作为优选的，步骤S1中，构建不同行业的产业链图谱的方法包括：
S11、根据上市公司主营业务划分其所属经济行业；
S12、根据经济行业划分对全产业链图谱进行拆分，形成多个子图，每个子图对应一个经济行业的产业链图谱。
作为优选的，在采用图卷积网络对所构建的产业链图谱数据进行处理时，使用数据结构图表示产业链图谱，节点表示股票，边表示节点间的关联关系，权重表示节点间的关联程度；
在数据结构图上定义双向卷积操作以更新节点特征，进而同时获取上游和下游节点数据变动对当前节点数据的影响关系。
作为优选的，针对不同行业的产业链图谱分别进行所述分析模型的训练，以训练得到不同网络参数的分析模型。
作为优选的，步骤S2中，构建归一化的历史股价数据的方法包括：
S21、提取上市公司的历史股价数据，提取字段包括：复权后开盘价、复权后收盘价、复权后最高价和复权后最低价；
S22、使用极差变换法对历史股价数据分行业进行归一化处理。
作为优选的，步骤S3中，在循环神经网络中引入门控机制以捕获长时间的序列特征。
作为优选的，根据市值的计算方法：总市值＝股价*发行总股数，评估分析未来市值的波动情况。
作为优选的，所述步骤S4还包括进行可视化展示的步骤：
S41、基于GRID网格布局的方式可视化的呈现不同行业的产业链图谱中各个节点的上下游联动关系；
S42、根据在产业链图谱中所选定的待分析股票，使用折线图对该待分析股票的股价分析结果进行可视化展示。
本发明的另一目的在于，提供一种面向市值重估的可视化分析系统，其包括：
数据库，用于存储上市公司的产业链图谱数据和历史股价数据；
图谱构建模块，其与数据库连接，用于构建不同行业的产业链图谱数据；
标准化模块，其与数据库连接，用于对历史股价数据进行归一化处理；
第一分析模块，用于通过图卷积网络对所构建的产业链图谱数据进行处理，提取出各产业链图谱数据中的股价关联关系；
第二分析模块，用于通过循环神经网络对股价关联关系和所构建的历史股价数据进行处理，获得股价分析结果；
可视化模块，用于对第一分析模块和第二模块的分析结果进行可视化展示。
作为优选的，所述可视化模块包括：
图谱展示单元，其用于对不同行业的产业链图谱进行可视化展示，其中，基于GRID网格布局的方式呈现产业链图谱中各个节点的上下游联动关系；
股价展示单元，其用于对不同股票的股价分析结果进行可视化展示，其中，使用折线图对在产业链图谱中所选定的待分析股票的股价分析结果进行可视化展示。
本发明的显著进步性至少体现在：
所提供的基于产业链图谱的市值重估分析方法，通过结合循环神经网络和图卷积网络，可同时捕获股价的时序特征以及股价之间的联动关系，可较为合理的分析出股价的短期走势和长期走势，进而有助于对市场价值进行更有效的分析判断。通过可视化分析系统，可将分析结果进行可视化呈现，供用户交互探索，具有一定的实用价值。
附图说明：
图1为本申请实施例的市值重估分析方法的流程示意图；
图2为本申请实施例中构建不同行业产业链图谱的方法流程图；
图3为本申请实施例中构建归一化的历史股价数据的方法流程图；
图4为本申请实施例中对分析结果进行可视化展示的流程图；
图5为本申请实施例的可视化分析系统的结构框图；
图6为本申请实施例中可视化模块的展示图。
具体实施方式
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，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。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他实施例，都属于本发明保护的范围。
请参阅图1-6所示，本发明提供的具体实施例如下：
参阅图1所示，本实施例提供的基于产业链图谱的市值重估分析方法，包括以下步骤：
S1、针对所有上市公司构建不同行业的产业链图谱数据；
S2、针对所有上市公司构建归一化的历史股价数据；
S3、构建基于循环神经网络和图卷积网络的分析模型进行股价分析，其中，采用图卷积网络对所构建的产业链图谱数据进行处理，提取出各产业链图谱数据中的股价关联关系；
采用循环神经网络对股价关联关系和所构建的历史股价数据进行处理，获得股价分析结果；
S4、基于股价分析结果计算获得市值重估分析结果。
可以理解的是，在本实施例中，图卷积网络是对每一时刻的截面数据进行处理，从而可获得不同时刻的产业链图谱中各上市公司之间的股价关联关系，循环神经网络用来处理时序数据，图卷积网络处理后的数据构成了循环神经网络处理中每个时间切片的数据组成部分，通过循环神经网络可提取历史股价数据中股价的时序特征，获得股价的分析结果。本实施例的分析模型通过结合循环神经网络和图卷积网络，可同时捕获股价的时序特征以及股价之间的联动关系，有助于较为合理的分析出股价的短期走势和长期走势。
参阅图2所示，作为优选的实施方式，步骤S1中，构建不同行业的产业链图谱的方法包括：
S11、根据上市公司主营业务划分其所属经济行业；
S12、根据经济行业对全产业链图谱进行拆分，形成多个子图，每个子图对应一个经济行业的产业链图谱。
可以理解的是，全产业链图谱通常以有向连通图的形式描述了所有上市公司之间的业务依赖关系以及依赖程度。全产业链图谱涉及上千家上市公司，数据量巨大，且不同上市公司之间的股价数值差异较大，使用全产业链图谱进行训练和分析难以达到良好的效果。因此，本实施例中首先对全产业链图谱数据进行拆分，拆分依据可以为上市公司主营业务以及国家标准中规定的行业分类，即依据上市公司财报中收入占比最高的主营业务，以及国家标准规定的国民经济行业分类，将每一个上市公司划分到一个特定的经济行业下；再依据行业划分，将全产业链图谱中分属不同经济行业的上市公司之间的上下游连接关系断开，从而形成多个子图，每个子图对应一个经济行业的产业链图谱数据。在本实施例中，依据不同行业划分来分别构建出分行业的产业链图谱，有助于提升后续分析结果的合理性，使得通过图卷积网络所提取得到的股价关联关系更为接近真实的股价联动关系，提升了分析的准确性及有效性。
作为优选的实施方式，在采用图卷积网络对所构建的产业链图谱数据进行处理时，使用数据结构图表示产业链图谱，节点表示股票，边表示节点间的关联关系，权重表示节点间的关联程度；
在数据结构图上定义双向卷积操作以更新节点特征，进而同时获取上游和下游节点数据变动对当前节点数据的影响关系。
作为具体的，可将每个行业的产业链图谱表示成一个图G＝(V,E,W)，其中V表示所有节点的集合，即所有股票的集合，E表示所有边的集合，即股票之间关联关系的集合，W表示权重矩阵，即表示股票间关联程度的矩阵。根据节点和边的数据构建入度矩阵Mi和出度矩阵Mo，则正向和反向状态转移矩阵可以分别表示为
Figure BDA0003450714620000061
和
Figure BDA0003450714620000062
此处定义双向状态转移矩阵，用以同时捕获上游和下游股价波动对当前股票股价的影响。令θo和θi分别表示两个卷积核，S表示图G所有节点的特征向量，则双向卷积操作基于状态转移矩阵和卷积核将节点特征向量S更新为S′。
可选的，在通过分析模型进行股价变化趋势分析前，可基于训练数据对分析模型进行训练，以确定出最优的网络参数。作为优选的实施方式，针对不同行业的产业链图谱分别进行所述分析模型的训练，以训练得到不同网络参数的分析模型。可以理解的是，由于不同行业的股票数量不同且股价特征差异较大，因此针对不同行业的产业链图谱分别进行分析模型的训练。训练不同行业的分析模型时可调整学习率等超参数和网络层数等模型参数以提高分析模型在该行业下的分析效率。此外，训练前可通过调整输入输出的时间序列长度可以达到对股价进行长期分析和短期分析的目标。
参阅图3所示，作为优选的实施方式，步骤S2中，构建归一化的历史股价数据的方法包括：
S21、提取所有上市公司的历史股价数据，
在对上市公司的历史股价数据进行提取中，提取字段包括：复权后开盘价、复权后收盘价、复权后最高价和复权后最低价；
可以理解的是，仅使用过去一段时间的收盘价进行分析容易出现过拟合问题，因此在提取上市公司的历史股价数据时，提取了复权后开盘价、复权后收盘价、复权后最高价、复权后最低价这四个维度的数据作为模型输入，在模型中使用全连接层将四个维度的输入映射到一个维度的输出；
S22、对历史股价数据分行业进行归一化处理，
其中，分行业对历史股价数据进行归一化处理，且使用极差变换法进行归一化处理。具体的，使用如下所示的极差变换法对同一行业下的股价数据进行统一的归一化处理：
Figure BDA0003450714620000071
其中，x表示该行业内所有股票在所有时刻下的全部股价数据，xi表示在i时刻归一化前的股价数据，yi表示i时刻归一化后的股价数据。可以理解的是，由于不同行业的股票价格差异较大，因此分行业对股价数据进行归一化处理，可以提升模型训练和分析的效率。
作为优选的实施方式，步骤S3中，在循环神经网络中引入门控机制以捕获长时间的序列特征，以挖掘股价随时间的短期变化规律和长期变化规律。具体的，使用引入门控机制的循环神经网络(GRU)对股价在时间上的依赖关系进行建模。令xt表示当前的输入，ht-1表示t-1时刻，即上一时刻的隐状态，则t时刻的隐状态ht由xt和ht-1共同决定。“门控机制”对当前输入进行选择，只保留相关的信息参与到隐向量的更新中，从而允许模型捕获长时间的序列特征，达到对股价的短期走势分析和长期走势分析。
作为优选的实施方式，基于对股价的分析结果，根据市值的计算方法：总市值＝股价*发行总股数，评估未来市值的波动情况。
参阅图4所示，在一些实施例中，所述步骤S4还包括将分析结果进行可视化展示的步骤：
S41、对不同行业的产业链图谱进行可视化展示，
其中，基于GRID网格布局的方式呈现产业链图谱中各个节点的上下游联动关系；
S42、对不同股票的分析结果进行可视化，
在产业链图谱中选择一支股票后，使用折线图对该股票的分析结果进行可视化展示。
参阅图5所示，本申请实施例还提供一种面向市值重估的可视化分析系统，其包括：
数据库，用于存储上市公司的产业链图谱数据和历史股价数据；
图谱构建模块，其与数据库连接，用于构建不同行业的产业链图谱数据；
标准化模块，其与数据库连接，用于对历史股价数据进行归一化处理；
第一分析模块，用于通过图卷积网络对所构建的产业链图谱数据进行处理，提取出各产业链图谱数据中的股价关联关系；
第二分析模块，用于通过循环神经网络对股价关联关系和所构建的历史股价数据进行处理，获得股价分析结果；
可视化模块，用于对第一分析模块和第二模块的分析结果进行可视化展示。
作为优选的实施方式，所述可视化模块包括：
图谱展示单元，其用于对不同行业的产业链图谱进行可视化展示，其中，基于GRID网格布局的方式呈现产业链图谱中各个节点的上下游联动关系；
股价展示单元，其用于对不同股票的股价分析结果进行可视化展示，其中，使用折线图对在产业链图谱中所选定的待分析股票的股价分析结果进行可视化展示。
参阅图6所示，给出了一种可视化模块的展示方式，用户可以在最上方的“行业分类”选择器处选择一个经济行业，左下方即以列表形式列举出该经济行业下的所有股票名称，勾选感兴趣的股票名称，其上方以网格布局的方式呈现所勾选股票之间的关联关系。用户点击其中的一支作为待分析股票，中间文字呈现该支股票的详细信息(如股票代码，股票对应的公司名称等)，右下方的折线图即呈现对该支股票的分析结果，用户可以较为直观的查看该只股票的股价变动趋势。
在本发明的实施例的描述中，具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的实施例的描述中，需要理解的是，“-”和“～”表示的是两个数值之同的范围，并且该范围包括端点。例如:“A-B”表示大于或等于A，且小于或等于B的范围。“A～B”表示大于或等于A，且小于或等于B的范围。
在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于产业链图谱的市值重估分析方法，其特征在于，包括以下步骤：
S1、针对所有上市公司构建不同行业的产业链图谱数据；
S2、针对所有上市公司构建归一化的历史股价数据；
S3、构建基于循环神经网络和图卷积网络的分析模型进行股价分析，其中，采用图卷积网络对所构建的产业链图谱数据进行处理，提取出各产业链图谱数据中的股价关联关系；
采用循环神经网络对股价关联关系和所构建的历史股价数据进行处理，获得股价分析结果；
S4、基于股价分析结果计算获得市值重估分析结果。
2.根据权利要求1所述的基于产业链图谱的市值重估分析方法，其特征在于，步骤S1中，构建不同行业的产业链图谱的方法包括：
S11、根据上市公司主营业务划分其所属经济行业；
S12、根据经济行业划分对全产业链图谱进行拆分，形成多个子图，每个子图对应一个经济行业的产业链图谱。
3.根据权利要求1所述的基于产业链图谱的市值重估分析方法，其特征在于，在采用图卷积网络对所构建的产业链图谱数据进行处理时，使用数据结构图表示产业链图谱，节点表示股票，边表示节点间的关联关系，权重表示节点间的关联程度；
在数据结构图上定义双向卷积操作以更新节点特征，进而同时获取上游和下游节点数据变动对当前节点数据的影响关系。
4.根据权利要求3所述的基于产业链图谱的市值重估分析方法，其特征在于，针对不同行业的产业链图谱分别进行所述分析模型的训练，以训练得到不同网络参数的分析模型。
5.根据权利要求1-4中任一项所述的基于产业链图谱的市值重估分析方法，其特征在于，步骤S2中，构建归一化的历史股价数据的方法包括：
S21、提取上市公司的历史股价数据，提取字段包括：复权后开盘价、复权后收盘价、复权后最高价和复权后最低价；
S22、使用极差变换法对历史股价数据分行业进行归一化处理。
6.根据权利要求5所述的基于产业链图谱的市值重估分析方法，其特征在于，步骤S3中，在循环神经网络中引入门控机制以捕获长时间的序列特征。
7.根据权利要求1所述的基于产业链图谱的市值重估分析方法，其特征在于，根据市值的计算方法：总市值＝股价*发行总股数，评估分析未来市值的波动情况。
8.根据权利要求1所述的基于产业链图谱的市值重估分析方法，其特征在于，所述步骤S4还包括进行可视化展示的步骤：
S41、基于GRID网格布局的方式可视化的呈现不同行业的产业链图谱中各个节点的上下游联动关系；
S42、根据在产业链图谱中所选定的待分析股票，使用折线图对该待分析股票的股价分析结果进行可视化展示。
9.一种面向市值重估的可视化分析系统，其特征在于，包括：
数据库，用于存储上市公司的产业链图谱数据和历史股价数据；
图谱构建模块，其与数据库连接，用于构建不同行业的产业链图谱数据；
标准化模块，其与数据库连接，用于对历史股价数据进行归一化处理；
第一分析模块，用于通过图卷积网络对所构建的产业链图谱数据进行处理，提取出各产业链图谱数据中的股价关联关系；
第二分析模块，用于通过循环神经网络对股价关联关系和所构建的历史股价数据进行处理，获得股价分析结果；
可视化模块，用于对第一分析模块和第二模块的分析结果进行可视化展示。
10.根据权利要求9所述的可视化分析系统，其特征在于，所述可视化模块包括：
图谱展示单元，其用于对不同行业的产业链图谱进行可视化展示，其中，基于GRID网格布局的方式呈现产业链图谱中各个节点的上下游联动关系；
股价展示单元，其用于对不同股票的股价分析结果进行可视化展示，其中，使用折线图对在产业链图谱中所选定的待分析股票的股价分析结果进行可视化展示。
CN202111663221.3A 2021-12-31 2021-12-31 基于产业链图谱的市值重估分析方法及可视化分析系统 Pending CN114549195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111663221.3A CN114549195A (zh) 2021-12-31 2021-12-31 基于产业链图谱的市值重估分析方法及可视化分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111663221.3A CN114549195A (zh) 2021-12-31 2021-12-31 基于产业链图谱的市值重估分析方法及可视化分析系统

Publications (1)

Publication Number Publication Date
CN114549195A true CN114549195A (zh) 2022-05-27

Family

ID=81670551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111663221.3A Pending CN114549195A (zh) 2021-12-31 2021-12-31 基于产业链图谱的市值重估分析方法及可视化分析系统

Country Status (1)

Country Link
CN (1) CN114549195A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187868A (zh) * 2023-04-27 2023-05-30 深圳市迪博企业风险管理技术有限公司 一种基于知识图谱的产业链发展质量评价方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187868A (zh) * 2023-04-27 2023-05-30 深圳市迪博企业风险管理技术有限公司 一种基于知识图谱的产业链发展质量评价方法及装置

Similar Documents

Publication Publication Date Title
TWI712981B (zh) 風險辨識模型訓練方法、裝置及伺服器
Chen et al. An intelligent pattern recognition model for supporting investment decisions in stock market
CN107563705A (zh) 利用大数据分析家电产品安全库存及再订货的系统和方法
Cao et al. A deep coupled LSTM approach for USD/CNY exchange rate forecasting
CN112925908A (zh) 一种基于Attention的图注意力网络的文本分类方法及系统
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN113449046A (zh) 基于企业知识图谱的模型训练方法、系统及相关装置
CN112700324A (zh) 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法
Chernyavskaya et al. Assessment of the Main Indicators' Relationship of Projects of Information and Communication Services' Development.
Li et al. Chart GCN: Learning chart information with a graph convolutional network for stock movement prediction
CN108734567A (zh) 一种基于大数据人工智能风控的资产管理系统及其评估方法
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN114549195A (zh) 基于产业链图谱的市值重估分析方法及可视化分析系统
Temür et al. Comparison of forecasting performance of ARIMA LSTM and HYBRID models for the sales volume budget of a manufacturing enterprise
CN116629904A (zh) 一种基于大数据的客户分层匹配方法
WO2022143431A1 (zh) 一种反洗钱模型的训练方法及装置
Vale et al. Diagnosing companies in financial difficulty based on the auditor’s report
CN114626940A (zh) 数据分析方法、装置及电子设备
CN114529063A (zh) 一种基于机器学习的金融领域数据预测方法、设备及介质
Meng et al. The practice study of consumer credit risk based on random forest
Pfeifer et al. A comparison of statistical and machine learning approaches for time series forecasting in a demand management scenario
Vaidya et al. Decision support system for the stock market using data analytics and artificial intelligence
Panwai Artificial neural network stock price prediction model under the influence of big data
Haoru et al. Risk Assessment of Internet Credit Based on Big Data Analysis
CN116719519B (zh) 银行领域的广义线性模型训练方法、装置、设备和介质

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