【技术实现步骤摘要】
一种金融电子资源预测模型的训练方法和装置
本申请涉及数据分析
,具体而言,涉及一种金融电子资源预测模型的训练方法和装置。
技术介绍
证券市场是国家经济发展资金流动的基础。证券价格的演化过程是由许多经济个体和经济因素共同参与共同决定的,导致股价波动的模型较为复杂,难以进行有效的预测。一般的股票预测方法为利用公司的财务信息、股票的历史信息来进行股票的预测,由于对股票的波动产生影响的因素较多,因此,现有的预测方法预测的效果并不好。
技术实现思路
有鉴于此,本申请的目的在于提供一种金融电子资源预测模型的训练方法和装置,用于解决现有技术中金融电子资源预测准确度低的问题。第一方面,本申请实施例提供了一种金融电子资源预测模型的训练方法,该方法包括:基于金融电子资源的发行方的历史媒体数据,确定所述金融电子资源的媒体属性特征;基于所述金融电子资源的历史交易数据,确定所述金融电子资源的交易属性特征;对所述媒体属性特征和所述交易属性特征进行筛选处理,得到影响金融电子资源波动的关键特征;将所述关键特征作为自变量,将表征所述金融电子资源波动情况的波动特征作为因变量,构建至少两个预设模型并 ...
【技术保护点】
1.一种金融电子资源预测模型的训练方法,其特征在于,该方法包括:基于金融电子资源的发行方的历史媒体数据,确定所述金融电子资源的媒体属性特征;基于所述金融电子资源的历史交易数据,确定所述金融电子资源的交易属性特征;对所述媒体属性特征和所述交易属性特征进行筛选处理,得到影响金融电子资源波动的关键特征;将所述关键特征作为自变量,将表征所述金融电子资源波动情况的波动特征作为因变量,构建至少两个预设模型并进行训练;基于所述至少两个预设模型得到的预测结果,采用预设模型融合方法对所述两个预设模型进行融合处理,得到金融电子资源预测模型。
【技术特征摘要】
1.一种金融电子资源预测模型的训练方法,其特征在于,该方法包括:基于金融电子资源的发行方的历史媒体数据,确定所述金融电子资源的媒体属性特征;基于所述金融电子资源的历史交易数据,确定所述金融电子资源的交易属性特征;对所述媒体属性特征和所述交易属性特征进行筛选处理,得到影响金融电子资源波动的关键特征;将所述关键特征作为自变量,将表征所述金融电子资源波动情况的波动特征作为因变量,构建至少两个预设模型并进行训练;基于所述至少两个预设模型得到的预测结果,采用预设模型融合方法对所述两个预设模型进行融合处理,得到金融电子资源预测模型。2.如权利要求1所述的方法,其特征在于,基于所述至少两个预设模型得到的预测结果,采用预设模型融合方法对所述至少两个预设模型进行融合处理,具体包括:将所述至少两个预设模型的预测结果作为自变量,将所述波动特征作为因变量,构建融合模型并进行训练。3.如权利要求1所述的方法,其特征在于,所述将关键特征作为自变量,将所述波动特征作为因变量,构建至少两个预设模型并进行训练,具体包括:基于所述历史媒体数据以及历史交易数据,确定所述关键特征的特征值;基于所述历史波动数据,确定波动特征的特征值;其中,所述波动特征的特征值对应的历史时间相较所述关键特征的特征值对应的历史时间滞后;确定至少两个预设模型;并针对每个预设模型,将所述关键特征的特征值作为自变量的值,将对应的波动特征的特征值作为因变量的值,对该预设模型进行训练,得到完成训练的至少两个预设模型。4.如权利要求3所述的方法,其特征在于,所述至少两个预设模型包括:神经网络预测模型;针对每个预设模型,将关键特征的特征值作为自变量的值,将所述波动特征的特征值作为因变量的值,对该预设模型进行训练,具体包括:针对多个神经网络模型,分别执行如下训练操作,其中,多个神经网络具有不同的神经网络层数:将关键特征的特征值作为自变量的值,将所述波动特征的特征值作为因变量的值,对当前神经网络模型进行训练,得到用于衡量模型预测准确性的预设指标的指标值;将指标值最高的神经网络模型作为最终确定的神经网络预测模型。5.如权利要求1所述的方法,其特征在于,所述对确定的所述媒体属性特征和所述交易属性特征进行筛选处理,得到影响金融电子资源波动的关键特征,包括:计算所述媒体属性特征和所述交易属性特征分别与所述波动特征之间的相关度,将相关度超过预设相关度阈值的媒体属性特征和/或交易属性特征确定为第一影响特征集;采用决策树变量筛选方法对所述媒体属性特征和所述交易属性特征进行筛选处理,得到第二影响特征集;采用预设的特征值处理算法对所述第一影响特征集和所述第二影响特征集进行处理,得到第三影响特征集;计算第三影响特征集中每个第三...
【专利技术属性】
技术研发人员:李燕伟,王甲樑,夏耘海,段立新,
申请(专利权)人:国信优易数据有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。