[發明專利]一種基于人工智能的股票價格預測方法及系統

在審

• 申請號: 201711294176.2
• 申請日: 2017-12-08
• 公開（公告）號: CN108022016A
• 公開（公告）日: 2018-05-11
• 發明（設計）人: 張瀟
• 申請（專利權）人: 宏谷信息科技（珠海）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/02;G06Q40/04
• 代理公司: 杭州千克知識產權代理有限公司 33246
• 代理人: 郭揚部

本發明公開了一種基于人工智能的股票價格預測方法及系統，用以解決現有的股票預測的考慮因素具有片面性的問題。該方法包括：獲取預設時間內交易日的股票價格特征及股票新聞特征；將所述股票價格特征及所述股票新聞特征輸入雙向循環神經網絡模型進行訓練；將所述雙向循環神經網絡模型輸出的混合特征向量輸入多層感知機進行分類訓練；根據所述多層感知機的輸出預測下一個交易日的股票價格。本發明基于雙向循環網絡的框架，通過將價格特征與新聞特征結合，充分利用獲取的數據信息，更加準確地對股票價格進行預測。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于人工智能的股票價格預測方法及系統。

背景技術

股票價格預測是指利用價格的歷史信息以及股票相關的市場信息，預測股票在未來一段時間的漲跌情況或者價格情況。近幾年來，深度學習方法在自然語言處理領域取得了許多進展。深度學習方法也逐漸運用到股票預測領域。

Fama于1965年提出了有效市場假說，認為股票市場是一個“有效信息”市場，股票價格充分反映了已經發生的事件，以及那些尚未發生但市場預期會發生的事件對股票價格的影響。這一假設為之后的股票預測工作提供了依據。

然而，預測股票價格依舊十分困難，因為股票價格受到眾多因素的影響，對于單個股票而言，除了國家的貨幣政策，行業的景氣狀況等宏觀因素，股票上市公司的相關事件等微觀因素也會對股票價格產生影響。因此，除了股票自身的價格信息，許多相關工作都將股票的相關新聞信息作為預測股票價格的重要依據。

GPC Fung等在文獻[Stock prediction:Integrating text mining approachusing real-time news]中利用實時的新聞信息對股票價格作出預測。他們首先利用線性回歸和聚類方法對股票的價格曲線分段，每段時間區間對應價格的上升期和下降期。然后將上升期和下降期內的新聞分別標注為利好消息和利空消息。通過統計方法選擇出新聞中的利好和利空特征。最后依據這些新聞中的特征對股票價格的漲跌做出預測。但是該方法忽視了新聞對于股價影響的持續性。

TH Nguyen等利用主體模型來預測股票價格。在文獻[Topic modeling basedsentiment analysis on social media for stock market prediction]中，他們提出一個融合情感和話題的主題模型，并將該模型運用到股票相關新聞的主體分析中。在獲得了每個新聞的主題分布向量后，他們將這個主題向量加入到股票預測的特征中，最終獲得了不錯的預測效果。但是卻忽略了金融領域本身獨有的特征。

Xiao Ding等將深度學習方法運用到股票預測領域。在文獻中，他們提出了一種新的事物抽取方法，從新聞中抽取出結構化的事件。這些結構化的事件成為神經網絡的輸入，用于預測股票價格。隨后，在時間抽取工作的基礎上，他們在文獻中進一步學習出結構化時間的event embedding，并使用卷積神經網絡去預測股票價格。但是忽略了多個時間對于股價的綜合作用。

除了與股票相關的新聞信息，大眾媒體與社交媒體上的內容也被用于股票預測。Johan Bollen等在文獻[Twitter mood predicts the stock market]中運用Twitter上的內容對股市的漲跌作出預測。他們使用OpinionFinde等工具分析Twitter上每天的大眾情感，然后將這些情感特征加入到預測模型中，對股市的漲跌作出預測。但是只能對股市整體的情況作出預測，不適用于單個股票的預測。

股票相關的新聞信息通常與股票本身的發展形勢較為相關，也容易包含一些利好極性的術語等，因此Zeya Zhang等人在相關工作[Stock prediction:a method based onextraction of news features and recurrent neural networks]中使用了新聞的利好極性區間分布作為其特征，并與歷史價格信息一并放入循環神經網絡中進行計算。但是新聞文本中含著豐富的信息，僅從利好極性去考慮并不充分。