[發明專利]一種股票預測模型構建方法、系統及其應用

在審

• 申請號: 202211450603.2
• 申請日: 2022-11-18
• 公開（公告）號: CN115689758A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 章子晗;王靜遠;李超
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06Q30/0201;G06Q30/0202;G06N3/0442;G06N3/048;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了一種股票預測模型構建方法、系統及其應用，包括：S1.采集單個交易日內股票的最高價、開盤價、最低價、收盤價和成交量以及公司每季度的財務指標數據，并構建股票特征；S2.構建動態異質圖，動態圖的點包括股票、上市公司、行業和地域類型，邊包括股票之間的價格相關關系、股票與上市公司的從屬關系、股票與行業的從屬關系、上市公司與行業的從屬關系以及上市公司與地域的從屬關系；S3.設計股票時間序列編碼器、上市公司編碼器和行業及地域編碼器并獲取股票時間序列特征、上市公式特征、行業特征和地域特征；S4.構建動態異質圖注意力網絡模型并進行訓練；本發明將股票間關系的多樣性與動態性納入股票關系建模，從而提升模型的預測性能。

技術領域

本發明涉及金融數據挖掘技術領域，更具體的說是涉及一種股票預測模型構建方法、系統及其應用。

背景技術

目前，現有的股票預測模型主要包括三類方法：

金融時間序列建模，通過時間序列分析對股票的收益率或波動進行建模和預測，例如ARIMA模型、卡爾曼濾波和GRACH模型；

深度序列建模，深度序列模型能夠捕捉序列中的非線性關系，通過端到端的訓練自動提取特征；

圖神經網絡建模，將股票、公司之間的關系進行構圖，從而進行將關系信息納入圖的建模。

但是，金融時間序列建模依賴于人對市場的觀察與簡單的假設，并不能反映實際的市場環境；深度序列建模遵循股票時間序列獨立同分布的假設，然而實際金融市場并不滿足這一假設，并且會丟失股票關系信息；然而目前圖神經網絡建模對股票間關系的挖掘和建模過于簡單，未將多樣和動態關系納入考量。

因此，如何提供一種股票預測模型構建方法、系統及其應用是本領域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種股票預測模型構建方法、系統及其應用，在金融時間序列的基礎上，構建股票關系的動態異質圖，將股票間關系的多樣性與動態性納入股票關系建模，從而提升模型的預測性能。

為了實現上述目的，本發明采用如下技術方案：

一種股票預測模型構建方法，包括：

S1.采集原始數據，原始數據包括單個交易日內股票的最高價、開盤價、最低價、收盤價和成交量以及公司每季度公開的財務指標數據，并構建股票特征；

S2.構建動態異質圖，動態圖的節點包括股票、上市公司、行業和地域類型，還包括各節點特征和時間屬性，動態圖的邊包括股票之間的價格相關關系、股票與上市公司的從屬關系、股票與行業的從屬關系、上市公司與行業的從屬關系以及上市公司與地域的從屬關系，還包括各邊的時間屬性；

S3.根據動態異質圖設計股票時間序列編碼器、上市公司編碼器和行業及地域編碼器并獲取股票時間序列特征、上市公式特征、行業特征和地域特征；

S4.基于動態異質圖和獲取的股票時間序列特征、上市公式特征、行業特征和地域特征，引入注意力機制構建動態異質圖注意力網絡模型并進行模型訓練。

優選的，S1中股票特征包括單個交易日內開盤價、最低價和最高價與收盤價的價格比率特征以及不同交易日的移動平均收益特征；

價格比率特征為：

μ∈{open,high,low}

其中，第j天的開盤價、收盤價、最高價和最低價分別為open_j，close_j，high_j，low_j；

移動平均收益特征為：