基于媒体信息张量监督学习的股票价格波动预测模型及装置制造方法及图纸

本发明专利技术提供一种基于媒体信息张量监督学习的股票价格波动预测模型，包括如下步骤：S1、收集市场交易信息、媒体新闻信息、股民情感信息；S2、对收集的信息进行预处理；S3、基于预处理后的信息构建张量；S4、对构造的张量进行张量分解与重构；S5、基于市场交易信息及重构后的张量，利用张量监督学习算法对股价波动进行训练和预测；S6、基本信息可视化，以黑色背景、蓝色字体为主，展示收集到的市场交易信息、媒体新闻信息、股民情感信息；股票价格波动预测结果可视化，展示模型预测出来的结果页面的背景以白色为主，股票价格波动中的上升部分的曲线的颜色为红色，价格下跌部分的曲线的而颜色为蓝色。

【技术实现步骤摘要】
基于媒体信息张量监督学习的股票价格波动预测模型及装置
本专利技术涉及自然语言处理、量化分析以及人体工程学领域，具体涉及一种基于媒体信息张量监督学习的股票价格波动预测模型及装置。
技术介绍
随着信息技术的发展，互联网媒体逐渐成为主流的媒体形式。特别是以博客、微博、社会化新闻、维基百科和网络论坛为主的社会化媒体的兴起，其媒体影响力日益加剧。海量信息和裂变式传播使互联网媒体对股票市场产生了举足轻重的影响。现有技术中，对股票价格波动进行预测时大都考虑结构化信息，如股票的交易价格等，而忽略非结构化信息，如公司的新闻等，导致股票价格波动预测不精确。这是因为文字往往比数字更能反映出一个人的情感心理。本专利技术就是基于人们的社会行为心理信息去构建模型。而人们的社会行为心理信息则是从媒体传播的新闻信息中提取。当结合不同纬度信息预测股票价格波动时，现有技术是将不同维度的信息特征值拼接为一个超级特征向量，然后运用基于向量预测模型去探测反映人们行为心理的互联网媒体信息对股市的影响。但是，由于不同维度的信息是交互影响，并且紧密相关、互为补充，将不同维度的本文档来自技高网...

【技术保护点】
1.一种基于媒体信息张量监督学习的股票价格波动预测模型，其特征在于：它包括如下步骤：/nS1、收集市场交易信息、媒体新闻信息、股民情感信息；/nS2、对收集的信息进行预处理；/nS3、基于预处理后的信息构建张量；/nS4、对构造的张量进行张量分解与重构；/nS5、基于市场交易信息及重构后的张量，利用张量监督学习算法对股价波动进行训练和预测；/nS6、基本信息可视化，以黑色背景、蓝色字体为主，展示收集到的市场交易信息、媒体新闻信息、股民情感信息；股票价格波动预测结果可视化，展示模型预测出来的结果页面的背景以白色为主，股票价格波动中的上升部分的曲线的颜色为红色，价格下跌部分的曲线的而颜色为蓝色。/...

【技术特征摘要】
1.一种基于媒体信息张量监督学习的股票价格波动预测模型，其特征在于：它包括如下步骤：
S1、收集市场交易信息、媒体新闻信息、股民情感信息；
S2、对收集的信息进行预处理；
S3、基于预处理后的信息构建张量；
S4、对构造的张量进行张量分解与重构；
S5、基于市场交易信息及重构后的张量，利用张量监督学习算法对股价波动进行训练和预测；
S6、基本信息可视化，以黑色背景、蓝色字体为主，展示收集到的市场交易信息、媒体新闻信息、股民情感信息；股票价格波动预测结果可视化，展示模型预测出来的结果页面的背景以白色为主，股票价格波动中的上升部分的曲线的颜色为红色，价格下跌部分的曲线的而颜色为蓝色。


2.根据权利要求1所述的股票价格波动预测模型，其特征在于：所述预处理包括对收集的所述媒体新闻信息进行文本处理，对收集的所述股民情感信息进行情感分析。


3.根据权利要求1所述的股票价格波动预测模型，其特征在于：所述构建张量的步骤包括：构建市场交易信息维度、媒体新闻信息维度、股民情感信息维度，基于市场交易信息维度、媒体新闻信息维度、股民情感信息维度构建三阶张量。


4.根据权利要求1所述的股票价格波动预测模型，其特征在于：所述张量分解方法为Tucker分解，所述重构方法为核张量与因子矩阵相乘。


5.根据权利要求3所述的股票价格波动预测模型，其特征在于：所述市场交易信息维度为对市场交易信息组合进行向量化；所述媒体新闻信息维度是将新闻与新闻词库对比，加上对应词的权重，转换为向量；所述股民情感信息维度通过计算公众对单支股票的情感因子和公众对整个市场的情感因子；
张量χt表示时间t时投资者所处的投资坏境，张量表示媒体信息空间，其I1、I2、I3表示张量每一阶的维数，即股票市场信息有I1个属性值，媒体新闻信息有I2个属性值，股民情感信息有I3个属性值；t表示第t个张量样本，对应于股票市场可以表示时间t投资者...

【专利技术属性】
技术研发人员：李庆，王俊，谭晶桦，蒋李灵，
申请(专利权)人：西南财经大学，
类型：发明
国别省市：四川;51