一种贵金属价格趋势预测方法及装置制造方法及图纸

本发明专利技术提供了一种贵金属价格趋势预测方法及装置，可以应用于人工智能领域，方法包括：获取贵金属的当前价格数据；将当前价格数据输入预先训练的价格趋势预测模型中获得贵金属的价格趋势预测结果。本申请将获得的情感分类、舆情基本面分析结果和财经事件影响因子作为神经网络模型的训练样本，训练获得成熟的贵金属价格趋势预测模型，利用该贵金属价格趋势预测模型预测贵金属的未来价格走势实现了无需人工分析即可自动获取价格走势的技术效果，提升了市场判断效率和准确性，由于神经网络模型相比于人而言更加理性，因此得到的趋势预测结果比人工分析结果更加准确，更加贴合实际情况。

【技术实现步骤摘要】
一种贵金属价格趋势预测方法及装置
本申请属于自然语言处理
，具体地讲，涉及一种贵金属价格趋势预测方法及装置。
技术介绍
贵金属作为重要的金融产品需要对其价格走势进行辅助判断。目前缺少行之有效的价格趋势判断方法，只能依靠业务人员自身的经验分析。当前现有的通过舆情分析实现价格趋势预测的方法往往只是通过单一模型进行关联关系构建，预测模型整体的可解释性、运行效率和预测准确度都未能满足实际业务需求。
技术实现思路
本申请提供了一种贵金属价格趋势预测方法及装置，以至少解决当前通过单一模型预测产品价格趋势所产生的准确度低、运行效率低的问题。为了解决上述技术问题，本申请提供以下技术方案：根据本申请的第一方面，提供了一种贵金属价格趋势预测方法，包括：获取贵金属的当前价格数据；将当前价格数据输入预先训练的价格趋势预测模型中获得贵金属的价格趋势预测结果；价格趋势预测模型为MLP神经网络模型；价格趋势预测模型为利用对从相关新闻中获取的自然语言数据进行矢量转换并提取的基本面分析因子作为训练要素而获得。在一实施例中，价格趋势预测模型的训练方法包括：将获取的财经新闻数据转化为词向量、句向量和文本向量；根据词向量、句向量和文本向量获得舆情基本面系数；根据贵金属的历史价格数据建立经验分布函数获得经验系数；根据舆情基本面系数及经验系数生成训练样本集合；利用训练样本集合对MLP神经网络模型进行训练，以预测价格趋势为训练目标，获得价格趋势预测模型。在一实施例中，将获取的财经新闻数据转化为词向量、句向量和文本向量，包括：通过词向量相关模型对财经新闻数据进行分词并获得词向量；通过无监督算法将财经新闻数据分解转化为句向量；对财经新闻数据进行累加归一计算，获得文本向量。在一实施例中，根据词向量、句向量和文本向量获得舆情基本面系数，包括：从词向量、句向量和文本向量中确定情感对象，并通过段落语法分析获得财经新闻数据中的情感基本面类型；根据情感基本面类型计算该情感对象的舆情基本面系数。在一实施例中，根据所述情感基本面类型计算该情感对象的舆情基本面系数，包括：识别所述情感基本面类型中描述基本情感和市场情感的关键词；根据描述基本情感的关键词计算基础得分；根据描述市场情感的关键词计算修饰符得分；将所述基础得分和所述修饰符得分相加获得舆情基本面系数。在一实施例中，利用训练样本集合对MLP神经网络模型进行训练，包括：将训练样本集合中的部分舆情基本面系数和部分经验系数作为输入信号输入至MLP神经网络模型；以贵金属市场价格走势作为MLP神经网络模型的训练目标进行训练；将剩余舆情基本面系数和剩余经验系数作为模型验证数据验证训练后的模型。在一实施例中，将剩余所述舆情基本面系数和剩余所述经验系数作为模型验证数据验证训练后的模型，包括：将剩余所述舆情基本面系数和剩余所述经验系数输入训练后的模型中获得输出结果；验证输出结果和实际结果是否一致，并根据验证结果确定是否对模型进行继续训练。根据本申请的第二个方面，还提供了一种贵金属价格趋势预测装置，包括：当前价格数据获取单元，用于获取贵金属的当前价格数据；价格趋势预测单元，用于将当前价格数据输入预先训练的价格趋势预测模型中获得贵金属的价格趋势预测结果；价格趋势预测模型为MLP神经网络模型；价格趋势预测模型为利用对从相关新闻中获取的自然语言数据进行矢量转换并提取的基本面分析因子作为训练要素而获得。在一实施例中，贵金属价格趋势预测装置还包括一价格趋势预测模型的训练装置，包括：向量转化单元，用于将获取的财经新闻数据转化为词向量、句向量和文本向量；舆情基本系数获取单元，用于根据词向量、句向量和文本向量获得舆情基本面系数；经验系数获取单元，用于根据贵金属的历史价格数据建立经验分布函数获得经验系数；训练样本生成单元，用于根据舆情基本面系数及经验系数生成训练样本集合；训练单元，用于利用训练样本集合对MLP神经网络模型进行训练，以预测价格趋势为训练目标，获得价格趋势预测模型。在一实施例中，向量转化单元包括：词向量获取模块，用于通过词向量相关模型对财经新闻数据进行分词并获得词向量；句向量转化模块，用于通过无监督算法将财经新闻数据分解转化为句向量；文本向量获取模块，用于对财经新闻数据进行累加归一计算，获得文本向量。在一实施例中，舆情基本系数获取单元包括：情感确定模块，用于从词向量、句向量和文本向量中确定情感对象，并通过段落语法分析获得财经新闻数据中的情感基本面类型；计算模块，用于根据情感基本面类型计算该情感对象的舆情基本面系数。在一实施例中，训练样本生成单元包括：输入模块，用于将训练样本集合中的部分舆情基本面系数和部分经验系数作为输入信号输入至MLP神经网络模型；目标训练模块，用于以贵金属市场价格走势作为MLP神经网络模型的训练目标进行训练；验证模块，用于将剩余舆情基本面系数和剩余经验系数作为模型验证数据验证训练后的模型。根据本申请的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的贵金属价格趋势预测方法。根据本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的贵金属价格趋势预测方法。由上述技术方案可知，本申请提供的一种贵金属价格趋势预测方法及装置，方法包括：获取贵金属的当前价格数据；将当前价格数据输入预先训练的价格趋势预测模型中获得贵金属的价格趋势预测结果；价格趋势预测模型为MLP神经网络模型；价格趋势预测模型为利用对从相关新闻中获取的自然语言数据进行矢量转换并提取的基本面分析因子作为训练要素而获得。通过自然语言处理技术从财经新闻中提取贵金属的价格信号，然后从财经新闻中提取情感对象并对情感对象进行分类，明确了所要分析的目标。通过分析新闻中的舆情，判断该情感对象的舆情风向，舆情对于情感对象的评价是偏向积极性的还是偏向消极性的，实现了对于新闻舆情的准确分析和判断，有利于后续对情感对象进行整体价值评估。接下来对发生的财经事件进行分析，由于贵金属价格具有很强的顺周期特性，因此，根据贵金属的历史价格走势可以获得经验分布函数，从而获得财经事件对于贵金属价格的影响因子，实现了科学判断影响贵金属价格的条件并量化其对贵金属价格影响程度的功能。最后，根据上述获得的情感分类、舆情基本面分析结果和财经事件影响因子作为神经网络模型的训练样本，训练获得成熟的贵金属价格趋势预测模型，利用该贵金属价格趋势预测模型预测贵金属的未来价格走势实现了无需人工分析即可自动获取价格走势的技术效果，提升了市场判断效率和准确性，同时，由于神经网络模型相比于人而言更加理性，不本文档来自技高网...

【技术保护点】
1.一种贵金属价格趋势预测方法，其特征在于，包括：/n获取贵金属的当前价格数据；/n将所述当前价格数据输入预先训练的价格趋势预测模型中获得贵金属的价格趋势预测结果；所述价格趋势预测模型为MLP神经网络模型；所述价格趋势预测模型为利用对从相关新闻中获取的自然语言数据进行矢量转换并提取的基本面分析因子作为训练要素而获得。/n

【技术特征摘要】
1.一种贵金属价格趋势预测方法，其特征在于，包括：
获取贵金属的当前价格数据；
将所述当前价格数据输入预先训练的价格趋势预测模型中获得贵金属的价格趋势预测结果；所述价格趋势预测模型为MLP神经网络模型；所述价格趋势预测模型为利用对从相关新闻中获取的自然语言数据进行矢量转换并提取的基本面分析因子作为训练要素而获得。


2.根据权利要求1所述的贵金属价格趋势预测方法，其特征在于，所述价格趋势预测模型的训练方法包括：
将获取的财经新闻数据转化为词向量、句向量和文本向量；
根据所述词向量、所述句向量和所述文本向量获得舆情基本面系数；
根据贵金属的历史价格数据建立经验分布函数获得经验系数；
根据所述舆情基本面系数及所述经验系数生成训练样本集合；
利用所述训练样本集合对MLP神经网络模型进行训练，以预测价格趋势为训练目标，获得所述价格趋势预测模型。


3.根据权利要求2所述的贵金属价格趋势预测方法，其特征在于，所述将获取的财经新闻数据转化为词向量、句向量和文本向量，包括：
通过词向量相关模型对财经新闻数据进行分词并获得所述词向量；
通过无监督算法将财经新闻数据分解转化为所述句向量；
对所述词向量和所述句向量进行累加归一计算，获得所述文本向量。


4.根据权利要求2或3任一项所述的贵金属价格趋势预测方法，其特征在于，所述根据所述词向量、所述句向量和所述文本向量获得舆情基本面系数，包括：
从所述词向量、所述句向量和所述文本向量中确定情感对象，并通过段落语法分析获得财经新闻数据中的情感基本面类型；
根据所述情感基本面类型计算该情感对象的舆情基本面系数。


5.根据权利要求4所述的贵金属价格趋势预测方法，其特征在于，所述根据所述情感基本面类型计算该情感对象的舆情基本面系数，包括：
识别所述情感基本面类型中描述基本情感和市...

【专利技术属性】
技术研发人员：许璟亮，廖鸿存，皇甫晓洁，周魁，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11