[發明專利]一種基于用戶畫像和知識圖譜的股票風險預測方法及系統

在審

• 申請號: 202011641247.3
• 申請日: 2020-12-31
• 公開（公告）號: CN112734569A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 徐嬌;馮煜博;王廣普
• 申請（專利權）人: 沈陽麟龍科技股份有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06Q40/08;G06F16/36;G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 南霆

本申請公開了一種基于用戶畫像和知識圖譜的股票風險預測方法及系統，包括以下步驟：利用股票領域相關文本數據和金融知識圖譜，構建金融事件特征；利用用戶畫像和受影響的股票代碼，構建用戶投資特征；利用金融事件、金融知識圖譜和股票數據的漲跌情況，標定股票風險值；將獲得的所述金融事件特征和所述用戶投資特征、股票風險值，關聯最終形成訓練集；將所述訓練集，利用LSTM算法進行訓練，形成基于用戶畫像和知識圖譜的股票風險預測模型，最終根據投資用戶的相關特征進行股票風險信息預測。本發明組合金融事件特征和用戶投資特征，訓練LSTM模型，實現投資者持有股票的股票風險預測，可以為用戶提供個性化股票風險提示。

技術領域

本申請涉及計算機技術領域，尤其涉及一種基于用戶畫像和知識圖譜的股票風險預測方法及系統。

背景技術

在多種應用場景中，需要對各類事件進行研究和風險預測，例如，確定某互聯網公司用戶信息泄露事件對網絡安全方面的影響度和風險度等等。預測事件對于股票風險的影響方面，主要的方法為：傳統模型法和時間序列預測方法。其中，傳統模型法包括兩類：定量方法和定性方法。

1、傳統模型法：定量的方法常常使用量化方式進行輿情因子挖掘，構建基于算法的輿情量化因子，也就是，先將事件因子化，并通過一些定量指標，例如該事件后預定時間內歷史投資收益的高低，來衡量事件的影響和風險度。定性的方法往往通過人工標注的方式，由人工完成事件的定義、風險程度分析。

2、時間序列預測：時間序列預測法其實是一種回歸預測方法，其基本原理是:一方面承認事物發展的延續性，運用過去的時間序列數據進行統計分析，推測出事物的發展趨勢；另一方面充分考慮到由于偶然因素影響而產生的隨機性，為了消除隨機波動產生的影響，利用歷史數據進行統計分析，并對數據進行適當處理，進行趨勢預測。

但是，上述預測方法存在如下缺陷：

1、傳統模型法：

定量分析的方案往往缺少對事件類型的細致劃分，丟失了事件的邏輯脈絡，可解釋性不強。

定性分析，這個過程需要很強的專業分析，需要逐個事件單獨分析，未能系統化、自動化，導致分析效率低。并且,分析結果是否正確依賴于分析人員的主觀經驗是否能覆蓋事件的關鍵屬性特征。此外，定性分析的結論往往只能到正負面的方向判斷，對于影響程度的判斷無法量化，帶有很強的主觀性。

2、時間序列預測：

模型單一化、針對股票價格變化，或其基本面影響因子進行預測研究，沒有充分考慮金融事件對于股票風險的影響，不能針對用戶的風險偏好，為所投資的股票進行風險預測。

發明內容

為了解決背景技術中提出的現有技術的問題，本申請提供一種基于用戶畫像和知識圖譜的股票風險預測方法及系統。

本申請實施例提供一種基于用戶畫像和知識圖譜的股票風險預測方法，包括以下步驟：

利用股票領域相關文本數據和金融知識圖譜，構建金融事件特征；

利用用戶畫像和受影響的股票代碼，構建用戶投資特征；

利用金融事件、金融知識圖譜和股票數據的漲跌情況，標定股票風險值；

將獲得的所述金融事件特征和所述用戶投資特征，根據股票代碼進行關聯，形成訓練集的特征部分；再將訓練集的特征部分與所述股票風險值，根據股票代碼進行關聯，最終形成訓練集；

將所述訓練集，利用LSTM算法進行訓練，形成基于用戶畫像和知識圖譜的股票風險預測模型；

將某個待預測投資用戶的投資特征和下一時刻的金融事件特征，輸入到基于用戶畫像和知識圖譜的股票風險預測模型，為該投資用戶投資的股票進行下一時刻的風險值預測，輸出該投資用戶投資的股票風險值；