CN115423499A - 模型训练方法、价格预测方法、终端设备以及存储介质 - Google Patents
模型训练方法、价格预测方法、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN115423499A CN115423499A CN202210899612.3A CN202210899612A CN115423499A CN 115423499 A CN115423499 A CN 115423499A CN 202210899612 A CN202210899612 A CN 202210899612A CN 115423499 A CN115423499 A CN 115423499A
- Authority
- CN
- China
- Prior art keywords
- price
- market
- time period
- social media
- data
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
Abstract
本申请公开了一种基于市场价格预测模型的模型训练方法、价格预测方法、终端设备以及计算机存储介质,该模型训练方法包括:获取数据集;基于每一时间段的股市数据,计算历史价格技术指标;基于每一时间段的社交媒体数据,计算历史社交媒体市场情感指数;将同一时间段的历史价格技术指标和历史社交媒体市场情感指数进行关联合并,并作为特征输入到待训练的市场价格预测模型;利用待训练的市场价格预测模型的预测输出对市场价格预测模型进行训练,得到最终的市场价格预测模型。本申请的模型训练方法通过社交媒体的连续更新的特性,缩小预测的时间粒度,得到接近实时预测的能力,并通过结合市场技术指标,达到更好的预测效果。
Description
技术领域
本申请涉及金融科技技术领域,特别是涉及一种基于市场价格预测模型的模型训练方法、价格预测方法、终端设备以及计算机存储介质。
背景技术
纵观货币发展史,货币形态完成了从实物货币、金属货币到可兑换纸币、不可兑换信用货币再到电子货币、数字货币的演变。技术创新不仅带动了社会发展,也改变了货币的形态。近三十年来,互联网技术的普及与发展极大程度上推动了支付方式、结算方式的变革,并带动了电子商务、电子政务以及数字经济等的发展。人们对纸币的需求量越来越小,取而代之的是电子化货币和数字化货币。当前,我国正着力发展现代化经济体系,加大力度推广数字经济,在此背景下,众多学者将研究目光聚焦至数字货币。2017年1月,我国央行正式成立了数字货币研究所,2020年4月,由中央行自主设计发行的法定数字货币相继在苏州、深圳、雄安以及成都四地试点测试。数字货币作为一个“新兴事物”正在得到人们越来越多的关注。数字货币与数字经济的逐步发展,也将改变金融业的格局,其虚拟化等特征将对金融业提出更高更快的要求,金融科技将迎来更多技术升级与更新,研究如何使用人工智能在金融业的应用也将更具有实际意义。
同时,随着金融科技的发展,各种基于机器学习与人工智能的市场价格预测模型越来越受到各界的关注,其中结合了情感分析的模型本领域的主流研究方向之一。这种结合了文本分析的模型由于利用了文本以及价格数据,如何将文本数据进行特征提取成为了主要的挑战。随着互联网金融和证券市场的迅速发展,我国新增投资者数目屡创新高,股吧、各大金融论坛和微博等社交媒体成为了股市投资者分享信息和进行投资参考的重要媒介。市场非有效性理论说明了股票价格不能完全反应股票价值,即投资者的情绪和股票价格走势存在一定的相关性。基于对股吧中投资者对于股票评论的情感分析和对股票价格相关信息的时间序列分析,可以一定程度上预测股票涨跌,从而给中小投资者提供投资建议,同时,股票评论情感分析的结论也可以给机构投资者和股票分析师提供分析基础。传统量化投资所采用的预测因子一般为股票相关数据或宏、微观经济相关数据,并未对市场的非有效性进行建模。
发明内容
本申请提供一种基于市场价格预测模型的模型训练方法、价格预测方法、终端设备以及计算机存储介质。
本申请采用的一个技术方案是提供一种基于市场价格预测模型的模型训练方法,所述模型训练方法包括:
获取数据集,其中,所述数据集包括若干时间段的股市数据以及社交媒体数据;
基于每一时间段的股市数据,计算历史价格技术指标;
基于每一时间段的社交媒体数据,计算历史社交媒体市场情感指数;
将同一时间段的历史价格技术指标和历史社交媒体市场情感指数进行关联合并,并作为特征输入到待训练的市场价格预测模型;
利用所述待训练的市场价格预测模型的预测输出对所述市场价格预测模型进行训练,得到最终的市场价格预测模型。
其中,所述股市数据包括开盘价、最高价、最低价、收盘价和/或成交量。
其中,所述历史价格技术指标包括异同移动平均线、简单移动平均线、相对强弱指标和/或资金流量指标;
所述基于每一时间段的股市数据,计算历史价格技术指标,包括:
基于每一时间段的开盘价,计算所述异同移动平均线;
和/或,基于每一时间段的最高价,计算所述简单移动平均线;
和/或,基于每一时间段的最低价,计算所述相对强弱指标;
和/或,基于每一时间段的收盘价,计算所述资金流量指标。
其中,所述基于每一时间段的社交媒体数据,计算历史社交媒体市场情感指数,包括:
获取每一时间段的社交媒体数据的评论文本,获取每一条评论文本的情感评分;
基于所述每一条评论文本的情感评分,将低于预设阈值的评论文本定义为负向评论文本,将高于预设阈值的评论文本定义为正向评论文本;
基于每一时间段的社交媒体数据的所有正向评论文本和负向评论文本,计算所述社交媒体数据的梯度情绪背离指数。
其中,所述计算所述社交媒体数据的梯度情绪背离指数之后,所述模型训练方法还包括:
获取所述社交媒体数据的每一评论文本与所述梯度情绪背离指数的差值;
利用所述社交媒体数据的所有评论文本对应的差值,以及所有评论文本的数量,计算所述社交媒体数据的梯度牛市情绪指数。
其中,所述将同一时间段的历史价格技术指标和历史社交媒体市场情感指数进行关联合并,包括:
将同一时间段的开盘价,与异同移动平均线、所述梯度情绪背离指数进行关联合并;
将同一时间段的最高价,与简单移动平均线、所述梯度牛市情绪指数进行关联合并。
其中,所述获取数据集,包括:
利用爬虫技术或者供应商的编程接口收集股市数据;
和/或,利用爬虫技术或者社交媒体编程接口收集社交媒体数据。
本申请采用的另一个技术方案是提供一种基于市场价格预测模型的价格预测方法,所述价格预测方法包括:
获取当前时间段的股市数据,以及获取当前时间段的所有社交评论数据;
基于所述股市数据,计算所述当前时间段的价格技术指标;
基于所述所有社交评论数据,计算所述当前时间段的社交媒体市场情感指数;
将所述当前时间段的价格技术指标和社交媒体市场情感指数进行关联合并,并作为特征输入到预先训练的市场价格预测模型;
基于所述市场价格预测模型的输出,获取当前时间段以后的预测价格;
其中,所述市场价格预测模型由上述的模型训练方法训练得到。
本申请采用的另一个技术方案是提供一种终端设备,所述终端设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述的模型训练方法和/或上述的价格预测方法。
本申请采用的另一个技术方案是提供一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被计算机执行时,用以实现如上述的模型训练方法和/或上述的价格预测方法。
本申请的有益效果是:终端设备获取数据集;基于每一时间段的股市数据,计算历史价格技术指标;基于每一时间段的社交媒体数据,计算历史社交媒体市场情感指数;将同一时间段的历史价格技术指标和历史社交媒体市场情感指数进行关联合并,并作为特征输入到待训练的市场价格预测模型;利用待训练的市场价格预测模型的预测输出对市场价格预测模型进行训练,得到最终的市场价格预测模型。本申请的模型训练方法通过社交媒体的连续更新的特性,缩小预测的时间粒度,得到接近实时预测的能力,并通过结合市场技术指标,达到更好的预测效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对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的附图。
图1是本申请提供的基于市场价格预测模型的模型训练方法一实施例的流程示意图;
图2是本申请提供的基于市场价格预测模型的模型训练方法及其价格预测方法的整体流程示意图;
图3是本申请提供的市场价格预测模型预测收盘价的示意图;
图4是本申请提供的数据集一实施例的框架示意图;
图5是本申请提供的基于市场价格预测模型的价格预测方法一实施例的流程示意图;
图6是本申请提供的终端设备一实施例的结构示意图;
图7是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
近年来,随着互联网技术的迅速发展和社交网络的广泛流行,大量与股票相关的信息在互联网上传播,这些实时信息规模巨大,其中隐含着重要的、与股票市场相关的信息。基于互联网和社交网络信息的股票价格趋势预测"逐渐成为主流研究方向。与此同时,传统的股票价格趋势分析与预测方法由于没有考虑数据的规模和时效性,已经无法适应网络环境中、海量数据规模下的股票市场分析和预测要求。
基于上述研究思路,美德两国大学的研究发现,通过对社交网络Twitter中发布的大量微博消息进行分析可预测个股的涨跌情况。美国佩斯大学在追踪了星巴克、可口可乐和耐克这三家公司的股价之后,得出研究结果,认为通过一家公司在社交媒体上的受欢迎程度,可预测该公司股价日常走势。
德国慕尼黑科技大学的研究人员根据Twitter消息中包含的信息预测个股走势。该大学之前曾实施了一项研究,研究所采用的情感分析方法被用于分析与某些股票相关的Twitter消息,以及这些消息是否包含"看涨"、"看跌"或"持有"等信息。
这类预测技术利用了市场价格数据,另外通过社交媒体获取大量的用户评论文本进行大数据的情感分析,以此进行市场预测,常见的模型是深度神经网络。
基于以上基础,本申请旨在金融市场预测问题上,提出一种结合社交媒体情感分析的神经网络预测方法,该方法能有效利用数据集,并能提高预测精度。
具体请参与图1和图2,图1是本申请提供的基于市场价格预测模型的模型训练方法一实施例的流程示意图,图2是本申请提供的基于市场价格预测模型的模型训练方法及其价格预测方法的整体流程示意图。
如图1所示,本申请实施例的基于市场价格预测模型的模型训练方法具体包括以下步骤:
步骤S11:获取数据集,其中,数据集包括若干时间段的股市数据以及社交媒体数据。
在本申请实施例中,数据集中股市数据的数据来源包括但不限于各种券商、交易市场,收集手段可以使爬虫技术或者通过供应商的编程接口收集历史价格数据。
其中,股市数据须为指定时间粒度的K线数据,字段必须至少包含:开盘价、收盘价、最高价、最低价,交易量。例如指定时间粒度为30分钟,则从开市开始每30分钟为一条记录,分别记录该时间段内的开盘价、收盘价、最高价、最低价,交易量。
因此,股市数据需要包含以下字段:
数据集中社交媒体数据的数据来源包括但不限于各种社交媒体,例如微博、贴吧、推特、交易市场的用户评论数据等,收集手段可以使爬虫技术或者社交媒体编程接口收集历史社交媒体数据。其中,历史社交媒体数据需要至少包括两个字段:发布时间以及发布的文字内容。
步骤S12:基于每一时间段的股市数据,计算历史价格技术指标。
在本申请实施例中,所采用的历史价格技术指标包括但不限于:异同移动平均线、简单移动平均线、相对强弱指标和资金流量指标中的一种或多种。
终端设备可以基于每一时间段的开盘价,计算所述异同移动平均线;基于每一时间段的最高价,计算所述简单移动平均线;基于每一时间段的最低价,计算所述相对强弱指标;基于每一时间段的收盘价,计算所述资金流量指标。
具体地,上述历史价格技术指标的计算方法如下:
1.MACD(Moving Average Convergence/Divergence)为异同移动平均线,是从双指数移动平均线发展而来的,由快的指数移动平均线(EMA12)减去慢的指数移动平均线(EMA26)得到快线DIF,再用2×(快线DIF-DIF的9日加权移动均线DEA)得到MACD柱。MACD的意义和双移动平均线基本相同,即由快、慢均线的离散、聚合表征当前的多空状态和股价可能的发展变化趋势,但阅读起来更方便。MACD的变化代表着市场趋势的变化,不同K线级别的MACD代表当前级别周期中的买卖趋势。其公式为:
MACD=EMA(12-period)-EMA(26-period)
其中,EMA为指数平均数指标。EMA(Exponential Moving Average)是指数移动平均值,也叫EXPMA指标,它也是一种趋向类指标,指数移动平均值是以指数式递减加权的移动平均。
2.SMA为简单移动平均线,简单移动平均线是算术移动平均线是简单而普遍的移动平均线。其公式为:
其中,pn为第n个值,n为移动窗口,在本申请实施例中,n=30。
3.RSI为相对强弱指标,相对强弱指标是指期货市场和股票市场中最为著名的摆动指标。其原理就是通过计算股价涨跌的幅度来推测市场运动趋势的强弱度,并据此预测趋势的持续或者转向。实际上它显示的是股价向上波动的幅度占总的波动幅度的百分比,如果其数值大,就表示市场处于强势状态,如果数值小,则表示市场处于弱势。其公式为:
4MFI(Money Flow Index)为资金流量指标,资金流量指标是相对强弱指标(RSI)和人气指标(OBV)两者的结合。MFI指标可以用于测度交易量的动量和投资兴趣,而交易量的变化为股价未来的变化提供了线索,所以MFI指标可以帮助判断股票价格变化的趋势。其公式为:
至此,当前数据集中的数据可以包含以下字段:
步骤S13:基于每一时间段的社交媒体数据,计算历史社交媒体市场情感指数。
在本申请实施例中,终端设备获取每一时间段的社交媒体数据的评论文本,获取每一条评论文本的情感评分;基于所述每一条评论文本的情感评分,将低于预设阈值的评论文本定义为负向评论文本,将高于预设阈值的评论文本定义为正向评论文本;基于每一时间段的社交媒体数据的所有正向评论文本和负向评论文本,计算所述社交媒体数据的梯度情绪背离指数。
进一步地,终端设备还可以获取所述社交媒体数据的每一评论文本与所述梯度情绪背离指数的差值;利用所述社交媒体数据的所有评论文本对应的差值,以及所有评论文本的数量,计算所述社交媒体数据的梯度牛市情绪指数。
具体地,终端设备计算历史社交媒体市场情感指数的具体过程如下:
终端设备对每一时间段的社交媒体数据的评论文本进行情感评分,用于进行情感评分的工具,包括但不限于VADER等。终端设备对每一评论文本进行情感评分,可以得到一个-1至1之间的数值,代表该条评论文本的情感。
终端设备还可以将情感评分在-1至0之间的评论文本定义为负向评论文本,将情感评分在0至1之间的评论文本定义为正向评论文本。
具体地,终端设备利用定义的正向评论文本和负向评论文本计算梯度牛市情绪指数(Small Granular Sentiment Bullish Index,SGSDI),梯度情绪背离指数(SmallGranular Sentimental Divergence Index,SGSBI)。
其中,梯度情绪背离指数的计算公式为:
其中,梯度牛市情绪指数的计算公式为:
其中,D(t)为t时间段内的所有评论的情感指数集合。
步骤S14:将同一时间段的历史价格技术指标和历史社交媒体市场情感指数进行关联合并,并作为特征输入到待训练的市场价格预测模型。
在本申请实施例中,终端设备根据上述数据对应的时间粒度区域,将同一时间段的价格数据、技术指标以及情感指标进行关联合并,此时数据集包含以下属性:
步骤S15:利用待训练的市场价格预测模型的预测输出对市场价格预测模型进行训练,得到最终的市场价格预测模型。
在本申请实施例中,终端设备将上述关联合后的数据集作为特征输入,添加预测目标列,在本申请实施例的市场价格预测模型中,预测目标列为下一时间粒度的收盘价,具体请参阅图3,图3是本申请提供的市场价格预测模型预测收盘价的示意图。
如图3所示,终端设备可以将2017年9月24日至2017年9月27日的数据集输入到市场价格预测模型,时间粒度设置为1天,市场价格预测模型输出的预测结果为2017年9月29日的收盘价。终端设备还可以将2017年9月24日00:00:00至2017年9月24日02:00:00的数据集输入到市场价格预测模型,时间粒度设置为30分钟,市场价格预测模型输出的预测结果为2017年9月24日02:30:00的收盘价。
其中,关于步骤S11中的数据集,终端设备可以将数据集分割为训练集与测试集,通常使用80%作为训练集,20%作为测试集,例如以下图4所示,图4是本申请提供的数据集一实施例的框架示意图。
如图4所示,本申请实施例的数据集包括2017年9月24日00:00:00至2020年11月30日23:59:59期间收集的数据,终端设备将2017年9月24日00:00:00至2020年4月11日23:59:59的数据作为训练集,将2020年4月12日00:00:00至11月30日23:59:59的数据作为测试集。
本申请实施例的训练集只用于训练模型,一般选用深度神经网络模型,例如长短期记忆模型(Long-Short Term Memory,LSTM)等模型,训练参数需要根据数据情况进行调教,另外也可以使用更为复杂的集成模型,训练周期可能更长,但是模型效果一般略高于单个深度神经网络模型。而测试集用于测试训练后的市场价格预测模型。
其中,市场价格预测模型可以选用各种回归器,包括但不限于线性回归、深度神经网络、各种集成回归器。对于市场价格预测模型的评价指标可以选用平均绝对误差(MeanAbsolute Error,MAE)、均方误差(Mean Square Error,MSE)、均方根误差(Root MeanSquare Error,RMSE)、R2(R squared,Coefficient of determination)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)等。上述各个评价指标达到可以接收范围内时保存市场价格预测模型。
为了验证本专利提出技术路线的有效性和先进性,在twitter与bitcoin的真实数据集上进行了多次广泛的实验,以评估所提出的方法的性能。
采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)三个方面的评价指标对模型效果进行评估,与现有模型进行比对,实验结果一致表明,利用本专利方法可有更准确地预测价格,可以被广泛的应用于金融产品价格的预测,具有十分广阔的应用前景。
以下的Table1与Table2为两次时间不同粒度下的两种模型的预测误差统计,其中LSTM为长短期记忆模型(Long-Short Term Memory),GRU为门控循环单元模型(GateRecurrent Unit)。本次模拟的数据采用了2017年9月24日至2020年11月30日的Bitcoin价格数据与Twitter上的#Bitcoin主题推文进行。采用了80%训练集与20%测试集得到以下结果。
Table 1 30分钟时间粒度下的模型预测性能结果表
Table 2 1天时间粒度下的模型预测性能结果表
在本申请实施例中,利用了社交媒体的连续更新的特性,替代新闻数据,让预测的时间粒度可以进一步缩小,得到接近实时预测的能力;本申请给出一种新的时间段内市场情感指数计算方法,相对于目前的简单统计方法,更能反应具体的市场情绪,提高了模型精度。
基于上述实施例的基于市场价格预测模型的模型训练方法,本申请进一步提出一种基于市场价格预测模型的价格预测方法,具体请参阅图5,图5是本申请提供的基于市场价格预测模型的价格预测方法一实施例的流程示意图。
如图5所示,本申请实施例的价格预测方法具体包括以下步骤:
步骤S21:获取当前时间段的股市数据,以及获取当前时间段的所有社交评论数据。
步骤S22:基于所述股市数据,计算所述当前时间段的价格技术指标。
步骤S23:基于所有社交评论数据,计算当前时间段的社交媒体市场情感指数。
步骤S24:将当前时间段的价格技术指标和社交媒体市场情感指数进行关联合并,并作为特征输入到预先训练的市场价格预测模型。
步骤S25:基于市场价格预测模型的输出,获取当前时间段以后的预测价格。
请继续参见图6,图5是本申请提供的终端设备一实施例的结构示意图。本申请实施例的终端设备500包括处理器51、存储器52、输入输出设备53以及总线54。
该处理器51、存储器52、输入输出设备53分别与总线54相连,该存储器52中存储有程序数据,处理器51用于执行程序数据以实现上述实施例所述的模型训练方法和/价格预测方法。
在本申请实施例中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP,Digital Signal Process)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现场可编程门阵列(FPGA,FieldProgrammable Gate Array)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质,请继续参阅图7,图7是本申请提供的计算机存储介质一实施例的结构示意图,该计算机存储介质600中存储有程序数据61,该程序数据61在被处理器执行时,用以实现上述实施例的模型训练方法和/价格预测方法。
本申请的实施例以软件功能单元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,本申请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全部或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)或处理器(processor)执行本申请各个实施方式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。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,方式利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于市场价格预测模型的模型训练方法,其特征在于,所述模型训练方法包括:
获取数据集,其中,所述数据集包括若干时间段的股市数据以及社交媒体数据;
基于每一时间段的股市数据,计算历史价格技术指标;
基于每一时间段的社交媒体数据,计算历史社交媒体市场情感指数;
将同一时间段的历史价格技术指标和历史社交媒体市场情感指数进行关联合并,并作为特征输入到待训练的市场价格预测模型;
利用所述待训练的市场价格预测模型的预测输出对所述市场价格预测模型进行训练,得到最终的市场价格预测模型。
2.根据权利要求1所述的模型训练方法,其特征在于,
所述股市数据包括开盘价、最高价、最低价、收盘价和/或成交量。
3.根据权利要求2所述的模型训练方法,其特征在于,
所述历史价格技术指标包括异同移动平均线、简单移动平均线、相对强弱指标和/或资金流量指标;
所述基于每一时间段的股市数据,计算历史价格技术指标,包括:
基于每一时间段的开盘价,计算所述异同移动平均线;
和/或,基于每一时间段的最高价,计算所述简单移动平均线;
和/或,基于每一时间段的最低价,计算所述相对强弱指标;
和/或,基于每一时间段的收盘价,计算所述资金流量指标。
4.根据权利要求1所述的模型训练方法,其特征在于,
所述基于每一时间段的社交媒体数据,计算历史社交媒体市场情感指数,包括:
获取每一时间段的社交媒体数据的评论文本,获取每一条评论文本的情感评分;
基于所述每一条评论文本的情感评分,将低于预设阈值的评论文本定义为负向评论文本,将高于预设阈值的评论文本定义为正向评论文本;
基于每一时间段的社交媒体数据的所有正向评论文本和负向评论文本,计算所述社交媒体数据的梯度情绪背离指数。
5.根据权利要求4所述的模型训练方法,其特征在于,
所述计算所述社交媒体数据的梯度情绪背离指数之后,所述模型训练方法还包括:
获取所述社交媒体数据的每一评论文本与所述梯度情绪背离指数的差值;
利用所述社交媒体数据的所有评论文本对应的差值,以及所有评论文本的数量,计算所述社交媒体数据的梯度牛市情绪指数。
6.根据权利要求5所述的模型训练方法,其特征在于,
所述将同一时间段的历史价格技术指标和历史社交媒体市场情感指数进行关联合并,包括:
将同一时间段的开盘价,与异同移动平均线、所述梯度情绪背离指数进行关联合并;
将同一时间段的最高价,与简单移动平均线、所述梯度牛市情绪指数进行关联合并。
7.根据权利要求1所述的模型训练方法,其特征在于,
所述获取数据集,包括:
利用爬虫技术或者供应商的编程接口收集股市数据;
和/或,利用爬虫技术或者社交媒体编程接口收集社交媒体数据。
8.一种基于市场价格预测模型的价格预测方法,其特征在于,所述价格预测方法包括:
获取当前时间段的股市数据,以及获取当前时间段的所有社交评论数据;
基于所述股市数据,计算所述当前时间段的价格技术指标;
基于所述所有社交评论数据,计算所述当前时间段的社交媒体市场情感指数;
将所述当前时间段的价格技术指标和社交媒体市场情感指数进行关联合并,并作为特征输入到预先训练的市场价格预测模型;
基于所述市场价格预测模型的输出,获取当前时间段以后的预测价格;
其中,所述市场价格预测模型由权利要求1至7任一项所述的模型训练方法训练得到。
9.一种终端设备,其特征在于,所述终端设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1~7任一项所述的模型训练方法和/或权利要求8所述的价格预测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被计算机执行时,用以实现如权利要求1~7任一项所述的模型训练方法和/或权利要求8所述的价格预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899612.3A CN115423499A (zh) | 2022-07-28 | 2022-07-28 | 模型训练方法、价格预测方法、终端设备以及存储介质 |
PCT/CN2022/129587 WO2024021354A1 (zh) | 2022-07-28 | 2022-11-03 | 模型训练方法、价格预测方法、终端设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899612.3A CN115423499A (zh) | 2022-07-28 | 2022-07-28 | 模型训练方法、价格预测方法、终端设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423499A true CN115423499A (zh) | 2022-12-02 |
Family
ID=84197284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210899612.3A Pending CN115423499A (zh) | 2022-07-28 | 2022-07-28 | 模型训练方法、价格预测方法、终端设备以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115423499A (zh) |
WO (1) | WO2024021354A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117635179A (zh) * | 2023-07-25 | 2024-03-01 | 北京壹清能环科技有限公司 | 一种碳交易价格预测方法、装置及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778215B (zh) * | 2014-01-17 | 2016-08-17 | 北京理工大学 | 一种基于情感分析和隐马尔科夫模型融合的股市预测方法 |
CN105022825A (zh) * | 2015-07-22 | 2015-11-04 | 中国人民解放军国防科学技术大学 | 结合财经新闻挖掘和金融历史数据的金融品种价格预测方法 |
CN106384166A (zh) * | 2016-09-12 | 2017-02-08 | 中山大学 | 一种结合财经新闻的深度学习股市预测方法 |
US11238535B1 (en) * | 2017-09-14 | 2022-02-01 | Wells Fargo Bank, N.A. | Stock trading platform with social network sentiment |
CN113435204A (zh) * | 2021-02-02 | 2021-09-24 | 上海卡方信息科技有限公司 | 基于新闻信息的股票价格涨跌预测方法 |
-
2022
- 2022-07-28 CN CN202210899612.3A patent/CN115423499A/zh active Pending
- 2022-11-03 WO PCT/CN2022/129587 patent/WO2024021354A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117635179A (zh) * | 2023-07-25 | 2024-03-01 | 北京壹清能环科技有限公司 | 一种碳交易价格预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024021354A1 (zh) | 2024-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Cryptocurrency trading: a comprehensive survey | |
Huang et al. | Enterprise credit risk evaluation based on neural network algorithm | |
Hu et al. | Listening to chaotic whispers: A deep learning framework for news-oriented stock trend prediction | |
Arévalo et al. | High-frequency trading strategy based on deep neural networks | |
Olorunnimbe et al. | Deep learning in the stock market—a systematic survey of practice, backtesting, and applications | |
CN107025596A (zh) | 一种风险评估方法和系统 | |
CN115423499A (zh) | 模型训练方法、价格预测方法、终端设备以及存储介质 | |
Wang et al. | Cryptocurrency price prediction based on multiple market sentiment | |
Li et al. | Detecting the lead–lag effect in stock markets: definition, patterns, and investment strategies | |
Shrotriya et al. | Cryptocurrency algorithmic trading with price forecasting analysis using PowerBI | |
Crawford et al. | Automatic High‐Frequency Trading: An Application to Emerging Chilean Stock Market | |
Song | Construction of corporate investment decision support model based on deep learning | |
Zhang et al. | Research on Influential Factors in Stock Market Prediction with LSTM | |
Zhang et al. | A hybrid forecasting model based on deep learning feature extraction and statistical arbitrage methods for stock trading strategies | |
Perry-Carrera | Effect of sentiment on Bitcoin price formation | |
Kaczmarczyk et al. | Backtesting comparison of machine learning algorithms with different random seed | |
NİROB et al. | Predicting Stock Price from Historical Data using LSTM Technique | |
Nandanwar et al. | Algorithmic Trading | |
Nur | Comparing the Accuracy of Multiple Discriminant Analyisis, Logistic Regression, and Neural Network to estimate pay and not to pay Dividend | |
Gray | Economic significance of predictability in Australian equities | |
Westphal et al. | Market Impact and Performance of Arbitrageurs of Financial Bubbles in An Agent-Based Model | |
Kammili | A Study on Technical Analaysis of Indian FMCG Sector | |
Mohamed et al. | Building market timing strategies using trend representative testing and computational intelligence metaheuristics | |
Baranes et al. | Predicting Earnings Directional Movement Utilizing Recurrent Neural Networks (RNN) | |
Kaczmarczyk | Backtesting comparison of machine learning methods on Warsaw Stock Exchange |
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 |