[發明專利]基于事件抽取的金融數據分析方法及裝置

在審

• 申請號: 202110095467.9
• 申請日: 2021-01-25
• 公開（公告）號: CN112784580A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 王立林;楊丹;施生燊;徐克寶
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F40/216
• 分類號: G06F40/216;G06F16/35;G06Q40/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;孫乳筍

本發明公開了一種基于事件抽取的金融數據分析方法及裝置，其中，該方法包括：獲取資訊數據，資訊數據包含：多條資訊的資訊標題和對應的日期信息；從每條資訊的資訊標題中，抽取結構化的金融事件數據；將抽取的金融事件數據輸入到預先訓練好的金融主體情感分析模型中，輸出每個金融事件的情感分類；統計各個情感分類對應的金融事件量，生成一個偏差向量，與待分析金融數據的特征向量進行融合，得到融合后的特征向量；將融合后的特征向量，輸入到預先訓練好的金融時間序列分析網絡模型中，輸出待分析金融數據的金融時間序列，其中，金融時間序列用于反映待分析金融數據的數據變化趨勢。本發明能夠有效提升金融數據分析預測的準確性。

技術領域

本發明涉及人工智能領域，尤其涉及一種基于事件抽取的金融數據分析方法及裝置。

背景技術

本部分旨在為權利要求書中陳述的本發明實施例提供背景或上下文。此處的描述不因為包括在本部分中就承認是現有技術。

隨著金融行業的不斷發展，對社會經濟運行的重要性越來越強，對金融數據進行有效分析，是整個社會經濟活動的重要工作之一。

金融時間序列數據，是金融領域中隨時間推移具有一定變化規律的時序數據，例如，股票數據、期貨數據等。由于金融時間序列數據是時間序列數據的一種，具有很強的時間性，前后數據往往存在較強的依賴關系或周期關系，可基于統計的方式根據現有數據對未來數據進行預測。由于金融時間序列數據受多種因素影響，具有非線性、非平穩性、復雜性等特點，是金融數據分析中極具挑戰性的研究課題。

目前，現有技術中主要采用數據建模的方式，對金融數據進行分析預測。但因金融數據受到政策、基本面、市場情緒、自然災害、重大風險提示等多方面事件因素影響，若只針對數據本身進行分析，很難準確預測未來的走勢。在金融領域，各種金融事件的載體(例如，新聞、評論等資訊數據)，能夠在一定程度上反映出市場走向與投資者的情緒，從而影響投資決策和市場走勢。

對于金融事件的抽取，目前主要是依靠研究人員采用人工總結的方式來實現，這種人工總結方式不僅效率低下，且要求研究人員具有豐富的專業背景，門檻較高。

因而，如何提供一種自動抽取金融事件、自適應分析金融數據走勢的分析方法，以提升金融數據預測的精確度與效率，是本領域亟待解決的技術問題。

發明內容

本發明實施例中提供了一種基于事件抽取的金融數據分析方法，用以解決現有技術中依靠人工總結方式抽取金融事件并對金融數據走勢進行預測的方法，存在預測精確度和效率均比較低下的技術問題，該方法包括：獲取資訊數據，資訊數據包含：多條資訊的資訊標題和對應的日期信息；從每條資訊的資訊標題中，抽取結構化的金融事件數據；將抽取的金融事件數據輸入到預先訓練好的金融主體情感分析模型中，輸出每個金融事件的情感分類；統計各個情感分類對應的金融事件量，生成一個偏差向量，與待分析金融數據的特征向量進行融合，得到融合后的特征向量；將融合后的特征向量，輸入到預先訓練好的金融時間序列分析網絡模型中，輸出待分析金融數據的金融時間序列，其中，金融時間序列用于反映待分析金融數據的數據變化趨勢。

本發明實施例中還提供了一種基于事件抽取的金融數據分析方法裝置，用以解決現有技術中依靠人工總結方式抽取金融事件并對金融數據走勢進行預測的方法，存在預測精確度和效率均比較低下的技術問題，該裝置包括：數據獲取模塊，用于獲取資訊數據，資訊數據包含：多條資訊的資訊標題和對應的日期信息；金融事件抽取模塊，用于從每條資訊的資訊標題中，抽取結構化的金融事件數據；金融主體情感分析模塊，用于將抽取的金融事件數據輸入到預先訓練好的金融主體情感分析模型中，輸出每個金融事件的情感分類；特征轉換模塊，用于統計各個情感分類對應的金融事件量，生成一個偏差向量，與待分析金融數據的特征向量進行融合，得到融合后的特征向量；金融時間序列分析模塊，用于將融合后的特征向量，輸入到預先訓練好的金融時間序列分析網絡模型中，輸出待分析金融數據的金融時間序列，其中，金融時間序列用于反映待分析金融數據的數據變化趨勢。