[發(fā)明專利]一種互聯(lián)網(wǎng)環(huán)境下的金融市場風險預警方法

在審

• 申請?zhí)枺?/td>: 201910208570.2
• 申請日: 2019-03-19
• 公開（公告）號: CN109934503A
• 公開（公告）日: 2019-06-25
• 發(fā)明（設(shè)計）人: 倪麗萍;李瑩;倪志偉;朱旭輝;李想;夏千姿
• 申請（專利權(quán)）人: 合肥工業(yè)大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/04;G06F16/951;G06F16/36;G06F17/27
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種互聯(lián)網(wǎng)環(huán)境下的金融市場風險預警方法，其特征是按照如下步驟進行：

步驟1、數(shù)據(jù)預處理：

步驟1.1、定義時間段為T，T＝{T₁,…T_t,…T_F}，1≤t≤F，T_t表示第t個時間段，在第t個時間段T_t內(nèi)選取任意一支股票i所對應(yīng)的股吧評論文本集合，記為

步驟1.2、對第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合進行去停用詞及分詞處理，得到股票i在第t個時間段T_t內(nèi)文本向量表示第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合中第r個句子；R表示第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合中句子總數(shù)；

步驟2、計算情感指數(shù)：

步驟2.1、在股票i上漲時刻后的一段時間內(nèi)對股票i所對應(yīng)的股吧評論進行抓取后使用TF詞頻算法，選出詞頻最高的N個積極情感詞語，記為{Pos_n|n＝1,2,…,N}，并作為積極情感詞典的種子詞語；

同理，在所選股票i下跌時刻后的一段時間內(nèi)對股票i所對應(yīng)的股吧評論進行抓取后使用TF詞頻算法，選出詞頻最高的N個消極情感詞語，記為{Neg_n|n＝1,2,…,N}，并作為消極情感詞典的種子詞語；

由N個積極情感詞典的種子詞語和N個消極情感詞典的種子詞語合并為2N個情感詞典的種子詞語；

步驟2.2、使用Word2Vec模型將文本語料庫中的詞語映射到高維連續(xù)向量空間中，以實現(xiàn)詞向量訓練，并得到詞向量集合為第t個詞語W_t的詞向量表示，1≤t≤|V|，|V|表示詞向量集合中詞語的總數(shù)；

步驟2.3、計算詞向量集合中的第t個詞語的詞向量表示分別與所述2N個情感詞典種子詞語的余弦相似度，得到第t個余弦相似度集合Sim(W_t)，從而得到相似度向量集合{Sim(W_t)|t＝1,2,...,|V|}；

設(shè)置相似值閾值為ε，當max(Sim(W_t))≥ε時，將第t個詞語W_t加入max(Sim(W_t))所對應(yīng)的情感詞典種子詞語所屬的情感詞典中，從而得到擴充后的情感詞典集，記為Se＝{Se_P,Se_N}，Se_P為積極情感詞典，Se_N為消極情感詞典；

步驟2.4、確定程度副詞權(quán)重：

獲取基礎(chǔ)程度副詞詞典，記為Adv＝{Adv₁,…,Adv_d,…,Adv_u}，1≤d≤u，Adv_d為基礎(chǔ)程度副詞詞典Adv中第d個程度副詞；

從基礎(chǔ)程度副詞詞典Adv中選擇最輕程度副詞Adv_s和最重程度副詞Adv_h并分別賦予初始權(quán)重和

使用Word2Vec模型訓練所述基礎(chǔ)程度副詞詞典Adv，得到基礎(chǔ)程度副詞詞典Adv中所有程度副詞的詞向量；計算最輕程度副詞Adv_s和最重程度副詞Adv_h分別與基礎(chǔ)程度副詞詞典Adv中所有程度副詞的詞向量的余弦相似度，得到相似值向量組其中，為第d個程度副詞Adv_d與最輕程度副詞Adv_s的余弦相似度，為第d個程度副詞Adv_d與最重程度副詞Adv_h的余弦相似度；

步驟2.5、利用式(1)計算第d個程度副詞Adv_d的權(quán)重

步驟2.6、計算單詞的情感值：

從在第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合中抽取k個情感詞記為其中，為股吧評論文本集合中第g個情感詞，1≤g≤k≤m，若第g個情感詞有程度副詞修飾，則利用式(2)得到第g個情感詞的情感強度

式(2)中，表示股吧評論文本集合中第g個示情感詞的正負情感屬性，且N表示否定詞的數(shù)量；

步驟2.7、計算文本的情感值：

假設(shè)第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合中第r句子含有的情感詞集合為其中，表示第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合中第r個句子的第e個情感詞，1≤e≤E≤k；

利用式(3)得到第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合中第r個句子的情感強度從而得到第t個時間段T_t內(nèi)股票i所對應(yīng)的股吧評論文本集合中所有句子情感強度并求取平均值，得到第t個時間段T_t內(nèi)股票i的情感強度進而得到T時間段內(nèi)股票i的情感強度序列以及T時間段的情感總強度

步驟3、計算交叉多重分形譜：

步驟3.1、根據(jù)T時間段內(nèi)股票i的情感強度獲取相應(yīng)的百度媒體指數(shù)從而形成兩個長度相等的時間序列；

步驟3.3、對兩個時間序列進行多重交叉分形分析處理，得到T時間段的奇異指數(shù)序列表示T時間段內(nèi)股票i的第b個奇異指數(shù)，1≤b≤B，B表示奇異指數(shù)的總數(shù)；q表示多重交叉分形模型中去趨勢協(xié)方差的階數(shù)；

步驟3.4、利用式(4)計算T時間段內(nèi)股票i的多重分型譜的寬度

步驟4、構(gòu)建T時間段內(nèi)股票i的風險特征變量包括：市場內(nèi)部特征指標和市場外部特征指標；所述風險變量的狀態(tài)變量為其中0表示T時間段內(nèi)股票i發(fā)生金融風險，1表示T時間段內(nèi)股票i未發(fā)生金融風險；

所述市場內(nèi)部特征指標包括：T時間段內(nèi)股票i的價格記為T時間段內(nèi)股票i的對數(shù)收益記為T時間段股票i的交易量記為T時間段內(nèi)股票i的流通市值記為T時間段內(nèi)股票i的最高價記為T時間段內(nèi)股票i的最低價記為

所述市場外部特征指標包括：T時間段內(nèi)股票i的媒體關(guān)注度為T時間段內(nèi)股票i的的異常媒體關(guān)注度的平均值為且T時間段內(nèi)股票i的的投資者情感強度為T時間段內(nèi)股票i的的異常投資者情感強度為且T時間段內(nèi)股票i的多重分型譜的寬度

步驟5、構(gòu)建預測分析模型：

步驟5.1、構(gòu)建樣本集：

由所述風險特征變量與其狀態(tài)變量構(gòu)成股票i的第T個樣本點并根據(jù)步驟2.6-步驟4的方法，得到M個樣本點構(gòu)成的樣本集合

步驟5.2、利用Twin-SVM分類方法對所述樣本集合進行訓練，得到訓練后的Twin-SVM分類預測模型，以實現(xiàn)股票i的風險預警。