CN116188173A - 证券市场波动预警方法、系统以及存储介质 - Google Patents
证券市场波动预警方法、系统以及存储介质 Download PDFInfo
- Publication number
- CN116188173A CN116188173A CN202310490573.6A CN202310490573A CN116188173A CN 116188173 A CN116188173 A CN 116188173A CN 202310490573 A CN202310490573 A CN 202310490573A CN 116188173 A CN116188173 A CN 116188173A
- Authority
- CN
- China
- Prior art keywords
- node
- marketing company
- marketing
- early warning
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 98
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000010586 diagram Methods 0.000 claims abstract description 47
- 230000002776 aggregation Effects 0.000 claims abstract description 23
- 238000004220 aggregation Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 14
- 238000012512 characterization method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q40/06—Asset management; Financial planning or 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
-
- 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
Abstract
本发明涉及风险预警领域,特别涉及一种证券市场波动预警方法、系统以及存储介质。本发明提供的证券市场波动预警方法,通过负面新闻文本数据对BERT模型进行微调训练;基于上市公司的产业链关系图构建动态图神经网络;获取产业链关系图上多家上市公司分别对应的节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;根据目标上市公司对应的节点特征对应进行波动风险预警。实现了得到有效的节点特征向量,并以自适应地改变各家上市公司之间的链接强度,以动态的传播预警信息,最终能够准确地预警负面事件造成的即将到来的证券市场波动。
Description
技术领域
本发明涉及风险预警领域,特别涉及一种证券市场波动预警方法、系统以及存储介质。
背景技术
随着人民生活水平的提高,居民家庭资产逐渐向金融资产转移,股市的涨跌也愈发引起更多人的注目。如何预测证券市场走势,成为各类投资者最为关注的问题。但加上社会经济生活的复杂性,企业的内外部环境往往是复杂多变的。因此,不确定性普遍存在于企业的生产经营中,使得异常风险反复存在。这种不寻常风险的发生对证券市场和经济体系产生了巨大的影响,因此对证券市场走势的预测愈发重要。近年来,金融学研究确认了公司间动量溢出效应(Momentum Spillover Effect) 的存在,其表明,单个公司股票价格的波动会受到证券市场上其他与之关联公司股票价格波动的影响。其中,动态图神经网络模型能够最为有效的有效的模拟公司间的动量溢出效应,因而在近期得到广泛应用。
动态图神经网络本质上是通过观察上市公司的市场信号,并模拟公司间的溢出效应,从而对上市公司进行相关的预测判断。投资者情绪被行为金融学证实对证券市场波动有着直接影响。最能影响投资者情绪的便是新闻媒体信息。因此为了能够预警证券市场的波动,准确地表征负面影响的新闻信息成为重中之重。然而,现有的动态图神经网络及相关技术难以从负面金融新闻事件中提取并有效地传播预警信息。
发明内容
为解决现有的动态图神经网络及相关技术难以从负面金融新闻事件中提取并有效地传播预警信息的问题,本发明提供了一种证券市场波动预警方法、系统以及存储介质。
本发明解决技术问题的方案是提供一种证券市场波动预警方法,包括以下步骤:
获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;
基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;
获取产业链关系图上多家上市公司分别对应的节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;
将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;
根据目标上市公司对应的节点特征对应进行波动风险预警。
优选地,所述负面新闻文本数据,通过以下步骤获得:
获取不同类别的负面新闻文本;
对不同类别的负面新闻文本分别添加标签,以获得不同标签的负面新闻文本数据。
优选地,基于上市公司的产业链关系图构建动态图神经网络之前,所述方法还包括:
获取多家上市公司的经营产品和范围,以构建了产业链关系图,使产业链关系图链接多家上市公司。
优选地,基于上市公司的产业链关系图构建动态图神经网络,具体包括以下步骤:
根据上市公司的产业链关系图构建初始图神经网络;
在初始图神经网络添加自适应的注意力机制,构建动态图神经网络。
优选地,将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征,具体包括:
将多个节点的特征向量输入动态图神经网络,以通过动态图神经网络将每个当前上市公司的相邻上市公司对应的节点的特征向量对应合并到每个当前上市公司对应的节点的特征向量中,以获得对应的多个节点特征,其中,每个上市公司对应均作为当前上市公司,与当前上市公司直接链接的其他上市公司均作为当前上市公司的相邻上市公司,一个节点特征对应一个上市公司。
优选地,节点特征为:
其中,为当前上市公司节点;/>为相邻上市公司节点;/>表示当前上市公司节点/>的所有相邻上市公司节点的集合;/>为动态图神经网络的层数;/>为相邻上市公司节点特征向量;/>为节点特征;/>为线性变换的参数;/>为激活函数;/>为经过/>函数归一化后相邻上市公司节点/>对当前上市公司节点/>的相对影响强弱。
优选地,根据目标上市公司对应的节点特征对应进行波动风险预警,具体包括以下步骤:
确定目标上市公司,将目标上市公司对应的节点特征输入动态图神经网络中的感知机,获得对应的输出类别;
根据输出类别进行目标上市公司的风险状态提示。
本发明为解决上述技术问题还提供一种证券市场波动预警系统,用于实现如上任一项所述的证券市场波动预警方法,包括:
模型训练模块,用于获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;
网络构建模块,用于基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;
向量获得模块,用于获取产业链关系图上多家上市公司分别对应的节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;
信息聚合模块,用于将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;
风险预警模块,用于根据目标上市公司对应的节点特征对应进行波动风险预警。
本发明为解决上述技术问题还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被执行时实现如上任一项所述的证券市场波动预警方法。
与现有技术相比,本发明提供的证券市场波动预警方法、系统以及存储介质具有以下优点:
1、本发明的一种证券市场波动预警方法,包括以下步骤:获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;获取产业链关系图上多家上市公司分别对应节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;根据目标上市公司对应的节点特征对应进行波动风险预警。通过负面新闻文本数据对BERT模型进行训练,从而使训练后的BERT模型能够准确地编码各类负面新闻文本,能够获得更为有效的节点对应的特征向量,即预警信息表征向量;之后通过产业链关系图构建的动态图神经网络将多个节点的特征向量进行信息聚合,以自适应地改变各家上市公司之间的链接强度,以此更改各个公司之间的影响强度,获得改变后的节点特征,以反映了真实市场中业务流动的情况,因此通过目标上市公司对应的节点特征就可对目标上市公司进行风险预警,实现了能够十分有效地将预警信息传递给最易被受影响的相关上市公司。
2、本发明的负面新闻文本数据,通过以下步骤获得:获取不同类别的负面新闻文本;对不同类别的负面新闻文本分别添加标签,以获得不同标签的负面新闻文本数据。通过对不同类别的负面新闻文本分别添加标签,从而将负面新闻文本进行分类,让BERT模型能够学到不同类别的新闻的各自的特征,也使BERT模型能够识别具体的负面事件。
3、本发明的基于上市公司的产业链关系图构建动态图神经网络之前,所述方法还包括:获取多家上市公司的经营产品和范围,以构建了产业链关系图,使产业链关系图链接多家上市公司;根据产业链关系图构建动态图神经网络。通过多家上市公司的经营产品和范围能构建产业链关系图,使产业链关系图链接与上市公司相关的多个上市公司。且产业链关系图记录了整条产业链中产品服务的流动路径,一定程度上反映了公司间的业务来往情况。因此,此关系中,公司最易受到相关联的公司溢出效应的影响。从而以产业链关系图构建动态图神经网络能准确地链接各个上市公司,更符合各个上市公司真实的相关联情况。
4、本发明的基于上市公司的产业链关系图构建动态图神经网络,具体包括以下步骤:根据上市公司的产业链关系图构建初始图神经网络;在初始图神经网络添加自适应的注意力机制,构建动态图神经网络。通过在初始图神经网络添加自适应的注意力机制,构建动态图神经网络,从而能使动态神经网络自适应地改变各个上市公司间的链接强度,以此更改各个公司之间的影响强度。
5、本发明的将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征,具体包括:将多个节点的特征向量输入动态图神经网络,以通过动态图神经网络将每个当前上市公司的相邻上市公司对应的节点的特征向量对应合并到每个当前上市公司对应的节点的特征向量中,以获得对应的多个节点特征,其中,每个上市公司对应均作为当前上市公司,与当前上市公司直接链接的其他上市公司均作为当前上市公司的相邻上市公司,一个节点特征对应一个上市公司。通过动态图神经网络能将多个节点特征向量进行信息聚合,以将相邻上市公司的节点特征向量合并到当前上市公司的节点特征向量中,将节点的局部信息进行合并、更新,从而获得更新后的多个节点特征,以准确地表征了对上市公司的风险情况,从而更全面地了解整张产业链关系图的特征。
6、本发明的根据目标上市公司对应的节点特征对应进行波动风险预警,具体包括以下步骤:确定目标上市公司,将目标上市公司对应的节点特征输入动态图神经网络中的感知机,获得输出类别;根据输出类别进行目标上市公司的风险状态提示。将节点特征输入动态图神经网络中的感知机,获得输出类别,从而能根据输出类别进行有无风险的提示。
7、本发明还提供一种证券市场波动预警系统,用于实现如上任一项所述的证券市场波动预警方法,具有与上述证券市场波动预警方法相同的有益效果,在此不做赘述。
8、一种计算机可读存储介质,具有与上述系统间数据调用方法相同的有益效果,在此不做赘述。
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地介绍,显而易见地,下面描述中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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的证券市场波动预警方法的步骤流程图。
图2是本发明第一实施例提供的证券市场波动预警方法之步骤S20的具体步骤流程图。
图3是本发明第一实施例提供的证券市场波动预警方法的实施步骤示例图。
图4是本发明第一实施例提供的证券市场波动预警方法之步骤S50的具体步骤流程图。
图5是本发明第二实施例提供的证券市场波动预警系统的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”、“左上”、“右上”、“左下”、“右下”以及类似的表述只是为了说明的目的。
请参阅图1,本发明第一实施例提供一种证券市场波动预警方法,包括以下步骤:
S10:获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;
S20:基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;
S30:获取产业链关系图上多家上市公司分别对应的节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;
S40:将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;
S50:根据目标上市公司对应的节点特征对应进行波动风险预警。
可以理解地,负面新闻文本数据是与公司相关的负面新闻事件的文本数据。在步骤S10中,可通过负面新闻文本数据对BERT模型进行微调训练。从而使训练后的BERT模型能够准确地编码负面新闻文本数据,为之后的预警学习到更有效的节点表征。也使训练后的BERT模型能准确识别具体的负面新闻事件。
可以理解地,产业链关系图是指多家上市公司所涉及的多个产业中所涉及的上游、中游及下游的关联公司的关系图。产业链关系图能反映多个公司之间的链接强度,即关系度。链接强度越大,即关系越深,最容易受影响。在步骤S20中,可获得上市公司的产业链关系图,以通过产业链关系图链接与多家上市公司,并将多家上市公司对应作为产业链关系图中多个节点,即一家上市公司对应为产业链关系图中的一个节点。从而可根据该产业链关系图构建动态图神经网络,使该动态图神经网络能更贴合上市公司产业情况。
可以理解地,特征信息为与上市公司相关的交易技术指标以及相关的负面新闻文本表征,该负面新闻文本特征包括各类负面新闻文本,具体包括负面信用新闻:债务违约、信贷逾期等新闻信息;负面经营新闻:破产清算、解散等新闻信息。在步骤S30中,可获得产业链关系图上多家上市公司的分别对应的一个特征信息。即一家上市公司对应一个特征信息,也即一个节点对应一个特征信息,通过训练后的BERT模型,可将特征信息编码形成对应的节点的特征向量。即一个节点对应一个特征信息对应一个特征向量。该特征向量即为有效的预警信息表征向量。
可以理解地,产业链关系图中的图结构比较固定,即在产业链关系图的各个上市公司之间的链接强度比较固定。在步骤S40中,可通过动态图神经网络将多个节点特征向量进行信息聚合,从而通过动态图神经网络自适应地改变各个上市公司间的链接强度,以此更改各个上市公司之间的影响强度,使之能够更加贴合真实的市场波动情况,并获得改变后的节点特征,一个上市公司对应一个节点特征,以反映了真实市场中业务流动的情况。实现了将节点特征向量即有效的预警信息表征向量进行动态传播。也即动态传播是通过动态图神经网络自适应地改变各个上市公司间的链接强度,以此更改各个上市公司之间的影响强度。从而可通过步骤S50,若需要对目标上市公司进行风险预警,就可将通过该目标上市公司对应的节点特征对该目标上市公司进行波动风险预警。即根据节点特征确定是否有风险,并生成预警信息进行预警。实现了十分有效地将预警信息传递给最易被受影响的相关上市公司。由此,实现了能够合理地学习上市公司表征,针对具体的负面事件,有效传播预警信息,做出更为准确的证券市场波动预警。即能够准确地预警负面事件造成的即将到来的证券市场波动。
请参阅图3,进一步地,所述负面新闻文本数据,通过以下步骤获得:
S101:获取不同类别的负面新闻文本;
S102:对不同类别的负面新闻文本分别添加标签,以获得不同标签的负面新闻文本数据。
可以理解地,负面新闻文本具体是指有关公司的负面事件、负面信息、负面情感等的新闻报道文本。包括但不限于公司经营状况不佳、产品质量问题、产品造成的环境污染等新闻报道文本。通过步骤S101,可收集不同类别的负面新闻文本。通过步骤S102,可对不同类别的负面新闻文本分别添加对应的标签,以将负面新闻文本分类,获得不同标签的负面新闻文本数据,从而让BERT模型能够学到不同类别的负面新闻的各自的特征,也使BERT模型能够识别具体的负面事件。例如:类别1包括负面新闻1、负面新闻2;类别2包括负面新闻1、负面新闻2等等。
进一步地,步骤S20之前,所述方法还包括:
S19:获取多家上市公司的经营产品和范围,以构建了产业链关系图,使产业链关系图链接多家上市公司。
可以理解地,通过步骤S19,可收集获得多家上市的经营产品和经营范围,根据多家上市公司的经营产品和经营范围构建产业链关系图,从而通过产业链关系图链接多家上市公司。且产业链关系图中一家上市公司对应为一个节点。从而通过产业链关系图记录了整条产业链中产品服务的流动路径,一定程度上反映了各家上市公司间的业务来往情况。因此,此关系中,公司最易受到相关联的公司溢出效应的影响。从而以产业链关系图构建动态图神经网络能准确地链接各个上市公司,更符合各家上市公司真实的相关联情况。
请参阅图2,进一步地,步骤S20,具体包括以下步骤:
S201:根据上市公司的产业链关系图构建初始图神经网络;
S202:在初始图神经网络添加自适应的注意力机制,构建动态图神经网络。
可以理解地,可根据产业链关系图构建初始图神经网络,以此链接各大上市公司。并通过在初始图神经网络添加自适应的注意力机制,以构建动态图神经网络,从而可根据该注意力机制链接两端的上市公司节点特征向量,进而自适应地改变各个上市公司间的链接强度,以此更改各个公司之间的影响强度。
进一步地,步骤S40,具体包括:
S401:将多个节点的特征向量输入动态图神经网络,以通过动态图神经网络将每个当前上市公司的相邻上市公司对应的节点的特征向量对应合并到每个当前上市公司对应的节点的特征向量中,以获得对应的多个节点特征,其中,每个上市公司对应均作为当前上市公司,与当前上市公司直接链接的其他上市公司均作为当前上市公司的相邻上市公司,一个节点特征对应一个上市公司。
具体地,动态图神经网络包括图卷积层。当前上市公司即为中心上市公司,可以以任意一个上市公司作为当前上市公司,也即可以以任意一个上市公司作为中心上市公司。相邻上市公司为将任意一个上市公司作为当前上市公司时,与该当前上市公司相邻的上市公司,即为与当前上市公司直接链接的其他上市公司,即为相邻上市公司。
可以理解地,与当前上市公司相邻的上市公司可为多个。可通过训练后的BERT模型,将输入的多个节点对应的多个特征信息编码对应形成多个节点的对应特征向量。并将多个节点的特征向量直接输入动态图神经网络的图卷积层,以通过图卷积层以空域卷积的形式将每个当前上市公司的相邻上市公司对应的节点的特征向量对应合并到每个当前上市公司的节点的特征向量中,从而完成信息聚合,将当前节点的局部信息进行合并、更新,从而获得对应的更新后的多个的节点特征,即一家上市公司对应一个节点,一个节点对应一个更新后的节点特征。即信息聚合是对产业链关系图上所有的节点均进行信息聚合,从而将所有节点进行更新,获得对应的更新后多个节点特征。以通过每个节点特征以准确地表征了每个节点特征对应的上市公司的风险情况,从而能更全面地了解整张产业链关系图的特征。
进一步地,节点特征为:
其中,为当前上市公司节点;/>为相邻上市公司节点;/>表示当前上市公司节点/>的所有相邻上市公司节点的集合;/>为动态图神经网络的层数;/>为相邻上市公司节点特征向量;/>为节点特征;/>为线性变换的参数;/>为激活函数;/>为经过/>函数归一化后相邻上市公司节点/>对当前上市公司节点/>的相对影响强弱。
具体地,当前上市公司节点即为中心节点/>,/>可表示当前上市公司节点/>的所有相邻上市公司节点的集合,/>为相邻上市公司节点,即邻居节点/>;/>为经过/>函数归一化后相邻上市公司节点/>对上市公司节点/>的相对影响强弱,即为经过/>函数归一化后邻居节点/>对中心节点/>的相对影响强弱。
可以理解地,可通过对相邻上市公司节点对当前上市公司节点/>的相对影响强度,进行/>函数归一化的操作,以将相邻上市公司节点/>对当前上市公司节点/>的相对影响强度/>以概率的形式展现出来。从而通过概率的形式展现相邻上市公司节点对当前上市公司节点/>的相对影响强度的大小。并表明/>-/>这一对节点的关联程度,在/>-/>所有/>的邻居节点中的重要度。
请参阅图4,进一步地,步骤S50,具体包括以下步骤:
S501:确定目标上市公司,将目标上市公司对应的节点特征输入动态图神经网络中的感知机,获得输出类别;
S502:根据输出类别进行目标上市公司的风险状态提示。
具体地,动态神经网络中除图卷积层外,还包括最后一层,该层为输出层,也即感知机。将节点特征输入动态神经网络中的感知机后,可获得判别结果,该判别结果的本质是一个分类类别即输出类别,也即:0-1,涨-跌。根据这个输出类别,从而可生成预警信息,以对该节点特征对应的目标上市公司进行风险状态的提示:即有风险或无风险的提示。若想获知哪个公司的风险情况,就可将该上市公司作为目标上市公司,并确定该目标上市公司对应的节点特征,该节点特征也即目标节点特征,在将该目标上市公司对应的目标节点特征输入感知机后,就可获得对该目标上市的输出类别,以根据这个输出类别生成预警信息对目标上市公司进行风险提示。
请参阅图5,本发明第二实施例提供一种证券市场波动预警系统1,用于实现第一实施例提供的证券市场波动预警方法,包括:
模型训练模块10,用于获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;
网络构建模块20,用于基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;
向量获得模块30,用于获取产业链关系图上多家上市公司分别对应的节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;
信息聚合模块40,用于将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;
风险预警模块50,用于根据目标上市公司对应的节点特征对应进行波动风险预警。
可以理解地,通过模型训练模块10获取负面新闻文本数据,对BERT模型进行微调训练;从而使训练后的BERT模型能够准确地编码负面新闻文本数据,为之后的预警学习到更有效的节点表征。通过网络构建模块20获取多家上市公司的产业链关系图,基于产业链关系图构建动态图神经网络,使该动态图神经网络能更贴合上市公司产业情况。通过向量获得模块30获取产业链关系图上多家上市公司对应的多个特征信息,输入训练后的BERT模型,获得对应的多个节点特征向量。通过信息聚合模块40将多个节点特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征,即通过动态图神经网络自适应地改变各个上市公司间的链接强度,以此更改各个上市公司之间的影响强度,使之能够更加贴合真实的市场波动情况,并获得改变后的节点特征,以反映了真实市场中业务流动的情况。从而可通过风险预警模块50,若需要对目标上市公司进行风险预警,就可将通过该目标上市公司对应的节点特征对该目标上市公司进行波动风险预警。即根据节点特征确定是否有风险,并生成预警信息对目标上市公司进行预警,并十分有效地将预警信息传递给最易被受影响的相关上市公司。由此,实现了能够合理地学习上市公司表征,针对具体的负面事件,有效传播预警信息,做出更为准确的证券市场波动预警。
本发明第三实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被执行时实现第一实施例提供的证券市场波动预警方法。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,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。
在本发明的附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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方案中,方框中所标注的功能也可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,在此基于涉及的功能而确定。需要特别注意的是,框图和/或流程图中的每个方框、以及框图和/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。
与现有技术相比,本发明提供的证券市场波动预警方法、系统以及存储介质具有以下优点:
1、本发明的一种证券市场波动预警方法,包括以下步骤:获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;获取产业链关系图上多家上市公司分别对应节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;根据目标上市公司对应的节点特征对应进行波动风险预警。通过负面新闻文本数据对BERT模型进行训练,从而使训练后的BERT模型能够准确地编码各类负面新闻文本,能够获得更为有效的节点对应的特征向量,即预警信息表征向量;之后通过产业链关系图构建的动态图神经网络将多个节点的特征向量进行信息聚合,以自适应地改变各家上市公司之间的链接强度,以此更改各个公司之间的影响强度,获得改变后的节点特征,以反映了真实市场中业务流动的情况,因此通过目标上市公司对应的节点特征就可对目标上市公司进行风险预警,实现了能够十分有效地将预警信息传递给最易被受影响的相关上市公司。
2、本发明的负面新闻文本数据,通过以下步骤获得:获取不同类别的负面新闻文本;对不同类别的负面新闻文本分别添加标签,以获得不同标签的负面新闻文本数据。通过对不同类别的负面新闻文本分别添加标签,从而将负面新闻文本进行分类,让BERT模型能够学到不同类别的新闻的各自的特征,也使BERT模型能够识别具体的负面事件。
3、本发明的基于上市公司的产业链关系图构建动态图神经网络之前,所述方法还包括:获取多家上市公司的经营产品和范围,以构建了产业链关系图,使产业链关系图链接多家上市公司。通过多家上市公司的经营产品和范围能构建产业链关系图,使产业链关系图链接与上市公司相关的多个上市公司。且产业链关系图记录了整条产业链中产品服务的流动路径,一定程度上反映了公司间的业务来往情况。因此,此关系中,公司最易受到相关联的公司溢出效应的影响。从而以产业链关系图构建动态图神经网络能准确地链接各个上市公司,更符合各个上市公司真实的相关联情况。
4、本发明的基于上市公司的产业链关系图构建动态图神经网络,具体包括以下步骤:根据上市公司的产业链关系图构建初始图神经网络;在初始图神经网络添加自适应的注意力机制,构建动态图神经网络。通过在初始图神经网络添加自适应的注意力机制,构建动态图神经网络,从而能使动态神经网络自适应地改变各个上市公司间的链接强度,以此更改各个公司之间的影响强度。
5、本发明的将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征,具体包括:
将多个节点的特征向量输入动态图神经网络,以通过动态图神经网络将每个当前上市公司的相邻上市公司对应的节点的特征向量对应合并到每个当前上市公司对应的节点的特征向量中,以获得对应的多个节点特征,其中,每个上市公司对应均作为当前上市公司,与当前上市公司直接链接的其他上市公司均作为当前上市公司的相邻上市公司,一个节点特征对应一个上市公司。通过动态图神经网络能将多个节点特征向量进行信息聚合,以将相邻上市公司对应的节点的特征向量合并到当前上市公司对应的节点特征向量中,将节点的局部信息进行合并、更新,从而获得更新后的多个节点特征,以准确地表征了对上市公司的风险情况,从而更全面地了解整张产业链关系图的特征。
6、本发明的根据目标上市公司对应的节点特征对应进行波动风险预警,具体包括以下步骤:确定目标上市公司,将目标上市公司对应的节点特征输入动态图神经网络中的感知机,获得输出类别;根据输出类别进行目标上市公司的风险状态提示。将节点特征输入动态图神经网络中的感知机,获得输出类别,从而能根据输出类别进行有无风险的提示。
7、本发明还提供一种证券市场波动预警系统,用于实现如上任一项所述的证券市场波动预警方法,具有与上述证券市场波动预警方法相同的有益效果,在此不做赘述。
8、一种计算机可读存储介质,具有与上述系统间数据调用方法相同的有益效果,在此不做赘述。
以上对本发明实施例公开的一种证券市场波动预警方法、系统以及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制,凡在本发明的原则之内所作的任何修改,等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种证券市场波动预警方法,其特征在于:包括以下步骤:
获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;
基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;
获取产业链关系图上多家上市公司分别对应的节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;
将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;
根据目标上市公司对应的节点特征对应进行波动风险预警。
2.如权利要求1所述的证券市场波动预警方法,其特征在于:所述负面新闻文本数据,通过以下步骤获得:
获取不同类别的负面新闻文本;
对不同类别的负面新闻文本分别添加标签,以获得不同标签的负面新闻文本数据。
3.如权利要求1所述的证券市场波动预警方法,其特征在于:基于上市公司的产业链关系图构建动态图神经网络之前,所述方法还包括:
获取多家上市公司的经营产品和范围,以构建了产业链关系图,使产业链关系图链接多家上市公司。
4.如权利要求3所述的证券市场波动预警方法,其特征在于:基于上市公司的产业链关系图构建动态图神经网络,具体包括以下步骤:
根据上市公司的产业链关系图构建初始图神经网络;
在初始图神经网络添加自适应的注意力机制,构建动态图神经网络。
5.如权利要求1所述的证券市场波动预警方法,其特征在于:将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征,具体包括:
将多个节点的特征向量输入动态图神经网络,以通过动态图神经网络将每个当前上市公司的相邻上市公司对应的节点的特征向量对应合并到每个当前上市公司对应的节点的特征向量中,以获得对应的多个节点特征,其中,每个上市公司对应均作为当前上市公司,与当前上市公司直接链接的其他上市公司均作为当前上市公司的相邻上市公司,一个节点特征对应一个上市公司。
8.如权利要求1所述的证券市场波动预警方法,其特征在于:根据目标上市公司对应的节点特征对应进行波动风险预警,具体包括以下步骤:
确定目标上市公司,将目标上市公司对应的节点特征输入动态图神经网络中的感知机,获得对应的输出类别;
根据输出类别进行目标上市公司的风险状态提示。
9.一种证券市场波动预警系统,用于实现如权利要求1-8任一项所述的证券市场波动预警方法,其特征在于:包括:
模型训练模块,用于获取负面新闻文本数据,基于负面新闻文本数据对BERT模型进行微调训练;
网络构建模块,用于基于上市公司的产业链关系图构建动态图神经网络;其中,每家上市公司对应为产业链关系图中的一个节点;
向量获得模块,用于获取产业链关系图上多家上市公司分别对应的节点的特征信息,输入训练后的BERT模型,获得对应的多个节点的特征向量;
信息聚合模块,用于将多个节点的特征向量输入动态图神经网络进行信息聚合获得对应的多个节点特征;
风险预警模块,用于根据目标上市公司对应的节点特征对应进行波动风险预警。
10.一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,其特征在于:计算机程序被执行时实现如权利要求1-8任一项所述的证券市场波动预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310490573.6A CN116188173A (zh) | 2023-05-04 | 2023-05-04 | 证券市场波动预警方法、系统以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310490573.6A CN116188173A (zh) | 2023-05-04 | 2023-05-04 | 证券市场波动预警方法、系统以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188173A true CN116188173A (zh) | 2023-05-30 |
Family
ID=86442685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310490573.6A Pending CN116188173A (zh) | 2023-05-04 | 2023-05-04 | 证券市场波动预警方法、系统以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188173A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180197128A1 (en) * | 2016-12-06 | 2018-07-12 | Thomson Reuters Global Resources Unlimited Company | Risk identification engine and supply chain graph generator |
CN112560432A (zh) * | 2020-12-11 | 2021-03-26 | 中南大学 | 基于图注意力网络的文本情感分析方法 |
CN113327644A (zh) * | 2021-04-09 | 2021-08-31 | 中山大学 | 一种基于图与序列的深度嵌入学习的药物-靶标相互作用预测方法 |
CN113627596A (zh) * | 2021-08-10 | 2021-11-09 | 中国科学院自动化研究所 | 基于动态图神经网络的多智能体对抗方法及系统 |
CN115689758A (zh) * | 2022-11-18 | 2023-02-03 | 北京航空航天大学 | 一种股票预测模型构建方法、系统及其应用 |
-
2023
- 2023-05-04 CN CN202310490573.6A patent/CN116188173A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180197128A1 (en) * | 2016-12-06 | 2018-07-12 | Thomson Reuters Global Resources Unlimited Company | Risk identification engine and supply chain graph generator |
CN112560432A (zh) * | 2020-12-11 | 2021-03-26 | 中南大学 | 基于图注意力网络的文本情感分析方法 |
CN113327644A (zh) * | 2021-04-09 | 2021-08-31 | 中山大学 | 一种基于图与序列的深度嵌入学习的药物-靶标相互作用预测方法 |
CN113627596A (zh) * | 2021-08-10 | 2021-11-09 | 中国科学院自动化研究所 | 基于动态图神经网络的多智能体对抗方法及系统 |
CN115689758A (zh) * | 2022-11-18 | 2023-02-03 | 北京航空航天大学 | 一种股票预测模型构建方法、系统及其应用 |
Non-Patent Citations (1)
Title |
---|
谢润忠;李烨;: "基于BERT和双通道注意力的文本情感分类模型", 数据采集与处理, no. 04 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Islam et al. | Explainable artificial intelligence approaches: A survey | |
Adebayo | FairML: ToolBox for diagnosing bias in predictive modeling | |
CN104781837B (zh) | 用于通过使用基于事件的情绪分析来形成预测的系统和方法 | |
CN111915023B (zh) | 一种基于联邦学习的超参数确定方法及装置 | |
Govindan et al. | Circular economy adoption barriers: An extended fuzzy best–worst method using fuzzy DEMATEL and Supermatrix structure | |
West et al. | Intelligent financial fraud detection practices: an investigation | |
Aydin et al. | Prediction of financial crisis with artificial neural network: an empirical analysis on Turkey | |
CN112215604B (zh) | 交易双方关系信息识别方法及装置 | |
CN114282003A (zh) | 基于知识图谱的金融风险预警方法及装置 | |
CN112561320A (zh) | 机构风险预测模型的训练方法、机构风险预测方法和装置 | |
Cheng et al. | Regulating systemic crises: Stemming the contagion risk in networked-loans through deep graph learning | |
Li et al. | An early warning model for customer churn prediction in telecommunication sector based on improved bat algorithm to optimize ELM | |
Rao et al. | Imbalanced customer churn classification using a new multi-strategy collaborative processing method | |
Jiang et al. | Financial distress prediction using the Q&A text of online interactive platforms | |
Hajek et al. | Interval-valued fuzzy cognitive maps with genetic learning for predicting corporate financial distress | |
CN116188173A (zh) | 证券市场波动预警方法、系统以及存储介质 | |
Kong et al. | The risk prediction of mobile user tricking account overdraft limit based on fusion model of logistic and GBDT | |
Cao et al. | Coupled market behavior based financial crisis detection | |
Wang et al. | Exploring the Effect of Spreading Fake News Debunking Based on Social Relationship Networks | |
Yuan et al. | Analysis of Bank Loan Risk Management Based on BP Neural Network | |
Bakurova et al. | Development of a Productive Credit Decision-Making System Based on the Ontology Model. | |
Kesari | Predicting Cybersecurity Incidents Through Mandatory Disclosure Regulation | |
Bazarhanova et al. | A belief rule-based environmental responsibility assessment for small and medium-sized enterprise | |
Kim et al. | When is it permissible for artificial intelligence to lie? A trust-based approach | |
Xiaoli et al. | Evaluating Big Data Strategies for Risk Management in Financial Institutions |
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: 20230530 |