[發(fā)明專(zhuān)利]基于支持向量機(jī)的新聞極性對(duì)股票價(jià)格變化趨勢(shì)預(yù)測(cè)的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910342420.0
• 申請(qǐng)日: 2019-04-26
• 公開(kāi)（公告）號(hào): CN110222864A
• 公開(kāi)（公告）日: 2019-09-10
• 發(fā)明（設(shè)計(jì)）人: 趙澄;童川;王萬(wàn)良
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q40/04;G06K9/62;G06F16/35
• 代理公司: 杭州天正專(zhuān)利事務(wù)所有限公司 33201
• 代理人: 王兵;黃美娟

基于支持向量機(jī)的新聞極性對(duì)股票價(jià)格變化趨勢(shì)預(yù)測(cè)的方法，包括：從網(wǎng)上獲取金融股票交易數(shù)據(jù)與相關(guān)股票的金融新聞數(shù)據(jù)；進(jìn)行金融新聞數(shù)據(jù)的清洗，并對(duì)股票交易數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、對(duì)金融新聞數(shù)據(jù)進(jìn)行極性標(biāo)簽標(biāo)注的預(yù)處理操作；使用卡方檢驗(yàn)提取金融新聞中的特征詞；利用特征詞將新聞文本向量化，輸入改進(jìn)的嵌入支持向量機(jī)模型中進(jìn)行模型的循環(huán)訓(xùn)練；對(duì)每次訓(xùn)練得到的支持向量機(jī)模型進(jìn)行評(píng)估并保存評(píng)價(jià)最佳支持向量機(jī)模型；判斷是否達(dá)到預(yù)設(shè)的預(yù)測(cè)精度，如果沒(méi)有達(dá)到則繼續(xù)上述操作，直到達(dá)到預(yù)設(shè)的預(yù)測(cè)精度以得到精確度最優(yōu)的支持向量機(jī)模型。

技術(shù)領(lǐng)域

本發(fā)明涉及對(duì)股票價(jià)格變化趨勢(shì)預(yù)測(cè)的方法。

技術(shù)背景

股票市場(chǎng)的預(yù)測(cè)可以幫助投資者進(jìn)行投資決策，為他們提供關(guān)于股票市場(chǎng)行為的深刻見(jiàn)解以規(guī)避投資風(fēng)險(xiǎn)。然而，股票市場(chǎng)的預(yù)測(cè)并不是一件易事，因?yàn)楣善笔袌?chǎng)數(shù)據(jù)的性質(zhì)是可變的、非線性的、不穩(wěn)定的、接近隨機(jī)游走的；同時(shí)，影響股市的因素有很多，如經(jīng)濟(jì)狀況、政治事件、新聞報(bào)道、投資者情緒等。按照傳播學(xué)的議程設(shè)置理論，新聞媒體雖然不能直接決定人們對(duì)某一事件的具體看法和觀點(diǎn)，但可以通過(guò)提供信息和調(diào)整議題來(lái)有效左右人們對(duì)一些事實(shí)和意見(jiàn)的關(guān)注次序，進(jìn)而間接影響人的觀點(diǎn)和決策。金融新聞對(duì)股票市場(chǎng)有很大的影響，投資者經(jīng)常依賴金融新聞信息來(lái)決定買(mǎi)賣(mài)，即投資者根據(jù)市場(chǎng)參與者可獲得的信息做出投資決策。行為金融學(xué)的最新研究發(fā)現(xiàn)，股票投資者的情緒沖動(dòng)會(huì)影響股價(jià)。由于新聞報(bào)道給市場(chǎng)帶來(lái)了與上市公司有關(guān)的新信息新的信息，其中包含關(guān)于一家公司的新聞、它所涉及的活動(dòng)、它的基本面以及市場(chǎng)參與者對(duì)其未來(lái)價(jià)格變動(dòng)的預(yù)期，這些信息會(huì)對(duì)股票投資者的情緒帶來(lái)影響，從而影響投資者的決策，進(jìn)一步改變市場(chǎng)狀態(tài)，這使新聞報(bào)道成為金融預(yù)測(cè)的重要數(shù)據(jù)來(lái)源。如果新聞情緒是積極的，那么股價(jià)上漲的可能性就更大；如果新聞情緒是消極的，那么股價(jià)可能會(huì)下跌。

機(jī)器學(xué)習(xí)策略因具有較高的計(jì)算精度和較快的計(jì)算速度，已成為新興的算法交易策略，被應(yīng)用于新聞對(duì)股票影響的研究中。其中，支持向量機(jī)(SVM)方法被認(rèn)為是最有前途的文本分類(lèi)機(jī)器學(xué)習(xí)技術(shù)，首次引入于1979年，已被證明是一種用于數(shù)據(jù)分類(lèi)、回歸和預(yù)測(cè)的有用技術(shù)。SVM算法旨在學(xué)習(xí)一種決策函數(shù)，該函數(shù)將具有不同類(lèi)標(biāo)簽的實(shí)例劃分為不同的類(lèi)?；灸Ｐ投x為特征空間上的間隔最大的線性分類(lèi)器，其學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題求解問(wèn)題(Quadratic Programming,QP)。它可以表示原始空間中的線性或非線性決策邊界。

SVM在金融市場(chǎng)預(yù)測(cè)中具有廣泛的適用性，但存在一些不足之處：1、訓(xùn)練過(guò)程都不存在迭代操作，屬于“一次線性模型”，存在過(guò)擬合及無(wú)法找到最優(yōu)解的風(fēng)險(xiǎn)。2、在特征提取時(shí)沒(méi)有突出重要特征的作用。3、沒(méi)有綜合考慮高維輸入?yún)?shù)和噪聲數(shù)據(jù)對(duì)模型的影響。

發(fā)明內(nèi)容

本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點(diǎn)，提供基于支持向量機(jī)的新聞極性對(duì)股票價(jià)格變化趨勢(shì)預(yù)測(cè)的方法。

本發(fā)明的基于支持向量機(jī)的新聞極性對(duì)股票價(jià)格變化趨勢(shì)預(yù)測(cè)的方法，包括以下步驟：

1)、從網(wǎng)上獲取金融股票交易數(shù)據(jù)與相關(guān)股票的金融新聞數(shù)據(jù)；

2)、進(jìn)行金融新聞數(shù)據(jù)的清洗，并對(duì)股票交易數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、對(duì)金融新聞數(shù)據(jù)進(jìn)行極性標(biāo)簽標(biāo)注的預(yù)處理操作；

3)、使用卡方檢驗(yàn)提取金融新聞中的特征詞；

4)、利用特征詞將新聞文本向量化，輸入改進(jìn)的嵌入支持向量機(jī)模型中進(jìn)行模型的循環(huán)訓(xùn)練；

5)、對(duì)每次訓(xùn)練得到的支持向量機(jī)模型進(jìn)行評(píng)估并保存評(píng)價(jià)最佳支持向量機(jī)模型；

6)、判斷是否達(dá)到預(yù)設(shè)的預(yù)測(cè)精度，如果沒(méi)有達(dá)到則繼續(xù)上述操作，直到達(dá)到預(yù)設(shè)的預(yù)測(cè)精度以得到精確度最優(yōu)的支持向量機(jī)模型。