一种基于大语言模型融合领域知识的金融时序预测方法技术

本发明专利技术公开了一种基于大语言模型融合领域知识的金融时序预测方法。其中，所述方法包括：包括：S1、提取非结构化文本数据中与金融相关的情绪指标；S2、对提取到的情绪指标进行权重分配；S3、利用情绪指标及权重进行金融时序预测。本发明专利技术旨将LLM与深度学习结合，应用于金融时间序列预测任务中，利用提示词模板充分融入金融领域知识，从金融时序预测所需的多源数据中提取最重要的信息与特征，提高预测模型的准确性。本发明专利技术所解决的技术问题主要包括：(1)充分利用输入LLM的提示词模板，使其有效承载金融领域信息与知识；(2)利用提示词模板和LLM提取金融时序预测相关的多源非结构化文本数据特征；(3)利用提示词模板和LLM，提取金融时序结构化数据的特征。

【技术实现步骤摘要】

本专利技术涉及时序预测，尤其涉及一种基于大语言模型融合领域知识的金融时序预测方法。

技术介绍

1、金融市场的波动受多方面因素的影响，包括但不限于区域因素、新闻舆论和交易数量等多方面因素。预测金融时间序列(如股票、期货、贵金属、汇率等)波动对于金融领域的专家来说是一个重要问题，他们需要找到准确和有效的预测工具或方法，从而为投资者、决策者、监管部门提供更准确和可靠的市场预测和决策依据，有预见性地捕捉金融市场的异常波动，从而降低金融市场风险。

2、金融时间序列预测经历了四个阶段和范式：传统的统计学方法、传统机器学习、深度学习、大模型与提示学习。其中，机器学习模型(如logistic回归、支持向量机)能够克服传统基于统计学的时间序列预测的局限性，一定程度上提高股价预测的准确性，但效果仍有很大提升空间。近十年来，随着人工神经网络理论的完善与不断进步，深度学习以其强大的处理大数据和学习输入特征与预测目标之间非线性关系的能力，在金融市场波动预测任务上表现出了优于其他机器学习模型的性能，逐渐成为金融时间序列预测的常用方法。在最近的前沿研究中，大型语言模型(ll本文档来自技高网...

【技术保护点】

1.一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，包括：

2.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

3.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

4.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

5.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

6.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

>7.如权利要求1所...

【技术特征摘要】

1.一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，包括：

2.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

3.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

4.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

5.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

6.如权利要求1所述的一种基于大语言模型融合领域知识的金融时序预测方法，其特征在于，

【专利技术属性】
技术研发人员：陈伟思，张旭，刘武龙，肖伟东，刘斌，谢奇峰，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人