[發(fā)明專利]股市風(fēng)險預(yù)測方法、裝置、計(jì)算機(jī)設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810514823.4
• 申請日: 2018-05-25
• 公開（公告）號: CN108876604A
• 公開（公告）日: 2018-11-23
• 發(fā)明（設(shè)計(jì)）人: 黃度新;張川;金鑫;楊雨芬
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 林燕云

1.一種股市風(fēng)險預(yù)測方法，其特征在于，包括：

爬取當(dāng)日指定時間段的文本數(shù)據(jù)；

將所述當(dāng)日指定時間段的文本數(shù)據(jù)進(jìn)行分詞，得到當(dāng)日文本的分詞結(jié)果；

將所述當(dāng)日文本的分詞結(jié)果輸入至預(yù)先訓(xùn)練得到的用于預(yù)測股市風(fēng)險的循環(huán)神經(jīng)網(wǎng)絡(luò)，得到當(dāng)日股票漲跌預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的股市風(fēng)險預(yù)測方法，其特征在于，所述爬取當(dāng)日指定時間段的文本數(shù)據(jù)之前，還包括：

按日期從多個預(yù)先指定URL地址爬取文本數(shù)據(jù)，及與文本數(shù)據(jù)對應(yīng)的股票漲跌數(shù)據(jù)；

將文本數(shù)據(jù)進(jìn)行分詞處理得到分詞結(jié)果，并對分詞結(jié)果中的每一分詞進(jìn)行詞性標(biāo)注；

將進(jìn)行詞性標(biāo)注后的分詞結(jié)果作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，并將對應(yīng)的股票漲跌數(shù)據(jù)作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出，進(jìn)行訓(xùn)練得到循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的股市風(fēng)險預(yù)測方法，其特征在于，所述將文本數(shù)據(jù)進(jìn)行分詞處理得到分詞結(jié)果，包括：

按從左至右的順序從文本數(shù)據(jù)中取出候選詞；

在預(yù)先存儲的詞典中查詢與每一候選詞對應(yīng)的概率值，并記錄每一候選詞的左鄰詞；

計(jì)算獲取每一候選詞的累積概率，并獲取每一候選詞對應(yīng)的多個左鄰詞各自的累積概率，若每一候選詞的多個左鄰詞中存在累積概率為多個左鄰詞的累積概率中最大值的左鄰詞，將累積概率中最大值的左鄰詞作為與候選詞對應(yīng)的最佳左鄰詞；

從文本數(shù)據(jù)的終點(diǎn)詞為起點(diǎn)，從右至左依次輸出與每一候選詞對應(yīng)的最佳左鄰詞，得到分詞結(jié)果。

4.根據(jù)權(quán)利要求3所述的股市風(fēng)險預(yù)測方法，其特征在于，所述對分詞結(jié)果中的每一分詞進(jìn)行詞性標(biāo)注，包括：

將分詞結(jié)果中的每一分詞輸入預(yù)先構(gòu)建的用于詞性標(biāo)注的篩選模型，得到與每一分詞對應(yīng)的詞性概率；

若分詞對應(yīng)的詞性概率在正向詞性類別的概率大于或等于預(yù)先設(shè)置的第一概率，將分詞標(biāo)注為正向詞性；

若分詞對應(yīng)的詞性概率在中性詞性類別的概率大于或等于預(yù)先設(shè)置的第二概率，將分詞標(biāo)注為中性詞性；

若分詞對應(yīng)的詞性概率在負(fù)向詞性類別的概率大于或等于預(yù)先設(shè)置的第三概率，將分詞標(biāo)注為負(fù)向詞性。

5.根據(jù)權(quán)利要求4所述的股市風(fēng)險預(yù)測方法，其特征在于，所述將分詞結(jié)果中的每一分詞輸入預(yù)先構(gòu)建的用于詞性標(biāo)注的篩選模型，得到與每一分詞對應(yīng)的詞性概率之前，還包括：

將訓(xùn)練集中所包括的多個分詞作為篩選模型的輸入，并將每一分詞對應(yīng)的詞性作為篩選模型的輸出，進(jìn)行訓(xùn)練得到篩選模型。

6.根據(jù)權(quán)利要求1所述的股市風(fēng)險預(yù)測方法，其特征在于，所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型為：

O_t＝g(V·S_t)

S_t＝f(U·X_t+S_t-1)；

其中，X_t是循環(huán)神經(jīng)網(wǎng)絡(luò)輸入層的值，St、S_t-1是循環(huán)神經(jīng)網(wǎng)絡(luò)隱藏層的值，O_t是循環(huán)神經(jīng)網(wǎng)絡(luò)輸出層的值，U是輸入層到隱藏層的第一權(quán)重矩陣，V是隱藏層到輸出層的第二權(quán)重矩陣，g()為非線性的激活函數(shù)，f()為softmax函數(shù)。

7.根據(jù)權(quán)利要求1所述的股市風(fēng)險預(yù)測方法，其特征在于，所述將所述當(dāng)日文本的分詞結(jié)果輸入至預(yù)先訓(xùn)練得到的用于預(yù)測股市風(fēng)險的循環(huán)神經(jīng)網(wǎng)絡(luò)，得到當(dāng)日股票漲跌預(yù)測結(jié)果之后，還包括：

爬取另一指定時間段的文本數(shù)據(jù)，并輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)模型，得到次日股票漲跌預(yù)測結(jié)果。

8.一種股市風(fēng)險預(yù)測裝置，其特征在于，包括：

當(dāng)日文本爬取單元，用于爬取當(dāng)日指定時間段的文本數(shù)據(jù)；

當(dāng)日文本分詞單元，用于將所述當(dāng)日指定時間段的文本數(shù)據(jù)進(jìn)行分詞，得到當(dāng)日文本的分詞結(jié)果；

當(dāng)日股市預(yù)測單元，用于將所述當(dāng)日文本的分詞結(jié)果輸入至預(yù)先訓(xùn)練得到的用于預(yù)測股市風(fēng)險的循環(huán)神經(jīng)網(wǎng)絡(luò)，得到當(dāng)日股票漲跌預(yù)測結(jié)果。