基于深度学习的股票市场情绪分析方法技术

本发明专利技术公开了一种基于深度学习的股票市场情绪分析方法，包括数据集的预处理、整体模型的搭建与训练、对预测结果的测试和评估，整体流程如下：利用预训练的Bert模型对文本数据进行语义角色划分，与股价预测24因素合并作为输入数据，在自监督学习阶段，模型通过随机掩码对语义角色中的施事者、受事者和谓词进行遮盖，这一部分单独计算出一个交叉熵平均损失，在有监督学习阶段，利用有标签数据进行监督训练，运用传统分类器预测，得到另一个交叉熵损失，将两个平均损失线性计算后作为平均损失进行反向传播，实现模型训练，最后利用分布外检测方式评估模型的泛化能力，本模型有效提高了股票情感分析的准确性和效率。

【技术实现步骤摘要】

本专利技术涉及本专利技术涉及计算机深度学习领域和金融领域，特别是一种结合了基于深度学习的股票市场情绪分析方法。

技术介绍

1、传统的股票评估和预测主要依赖于统计模型，如线性回归(linear regression，lr)、逻辑回归(logistic regression，lr)、决策树(decision tree，dt)等。这些模型基于历史数据，通过提取特征和建立模型来预测未来的风险状况。虽然传统统计模型在金融领域有广泛应用，但其对于复杂非线性关系的处理能力有限，且对于大规模和高维度数据的处理效率较低。

2、随着机器学习(machine learning，ml)技术的发展，越来越多的金融机构开始采用机器学习算法进行风险评估和预测。这些算法包括支持向量机(support vectormachine，svm)、随机森林(random forest，rf)、梯度提升机(gradient boosting machine，gbm)等，能够处理非线性关系和复杂数据模式。机器学习算法在风险评估和预测方面取得了显著成效，能够提升预测准确性和效率。然而，对于数本文档来自技高网...

【技术保护点】

1.一种基于深度学习的股票市场情绪分析方法，包括：数据集的预处理与划分，运用Mask(即掩码)实现自监督预测，搭建Transformer模型并进行深度学习训练，整体模型的结构如下：

2.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于除了常规的股价影响因素，还引入了股票相关文本信息作为基础数据，数据集的重要组成如下：

3.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于需要对数据集进行划分，具体划分方式如下：

4.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于需要对数据进行清理和筛选，清理主...

【技术特征摘要】

1.一种基于深度学习的股票市场情绪分析方法，包括：数据集的预处理与划分，运用mask(即掩码)实现自监督预测，搭建transformer模型并进行深度学习训练，整体模型的结构如下：

2.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于除了常规的股价影响因素，还引入了股票相关文本信息作为基础数据，数据集的重要组成如下：

3.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于需要对数据集进行划分，具体划分方式如下：

4.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于需要对数据进行清理和筛选，清理主要是清除语义角色不全的数据，筛选主要通过分词器进行，具体的清理过程如下所示：

5.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于对股票相关文本信息需要进行语义角色划分，并将这部分语义信息和股价影响因素融合，具体步骤如下：

6.根据权利要求1所述一种基于深度学习的股票市场情绪分析方法，其特征在于预处理时通过mask调整了数据的注意力比重，在后续的transformer模型预测试时...

【专利技术属性】
技术研发人员：王一斐，徐雨珩，芦文慧，杨铃兰，白洪涛，
申请(专利权)人：吉林大学，
类型：发明
国别省市：