【技术实现步骤摘要】
本专利技术涉及一种基于异质图神经网络的股票价格波动预测方法，属于大数据模型应用。
技术介绍
1、股价波动预测在金融市场中扮演着至关重要的角色。它不仅赋予投资者制定买入、持有或卖出策略的能力，从而优化其投资组合并降低潜在风险，还使金融机构得以管理资产负债、精确评估风险并制定切实可行的信贷策略。更为重要的是，它赋予政策制定者深刻洞察市场动态的能力，从而有效监管市场，防止过度投机和市场泡沫的产生。
2、以往研究中，股价预测依赖统计和时间序列分析，但这些方法在处理大量数据时受到限制，而数据越多，股价预测就会越加准确。随着大数据深度学习的兴起，研究者能够通过神经网络模型，如循环神经网络(recurrent neural network，rnn)、长短期记忆网络(long short-term memory,lstm)和卷积神经网络(convolutional neural networks,cnn)等，提取更深层次的数据特征，并处理大量数据，从而提高预测准确性。特别地，stocknet通过分析新闻标题增强了模型的预测能力，而多尺度注意...
【技术保护点】
1.一种基于异质图神经网络的股票价格波动预测方法，所述方法包括下列步骤：S1，异质图构建；S2，动态异质图嵌入生成；S3，基于元路径的消息传递；S4，将新闻驱动市场预测整合器和行业新闻融合编码器，分别用于实现特征融合和评估间接连接的股票节点之间的影响力评分，S5，利用宏观经济同步编码器得到宏观嵌入向量，之后进行股票嵌入和宏观嵌入向量的交叉融合；S6，节点嵌入的消息传递与更新；S7，经过预测层输出预测结果，并且采用反向传播和梯度下降算法优化模型。
2.根据权利要求1所述一种基于异质图神经网络的股票价格波动预测方法，其特征在于：所述步骤S1具体包括如下子步骤：...
【技术特征摘要】
1.一种基于异质图神经网络的股票价格波动预测方法，所述方法包括下列步骤：s1，异质图构建；s2，动态异质图嵌入生成；s3，基于元路径的消息传递；s4，将新闻驱动市场预测整合器和行业新闻融合编码器，分别用于实现特征融合和评估间接连接的股票节点之间的影响力评分，s5，利用宏观经济同步编码器得到宏观嵌入向量，之后进行股票嵌入和宏观嵌入向量的交叉融合；s6，节点嵌入的消息传递与更新；s7，经过预测层输出预测结果，并且采用反向传播和梯度下降算法优化模型。
2.根据权利要求1所述一种基于异质图神经网络的股票价格波动预测方法，其特征在于：所述步骤s1具体包括如下子步骤：s1.1，数据清洗和预处理，具体包括：选择交易日当天的最高价、最低价以及调整后的收盘价作为原始特征其中和分别表示最高价、最低价和调整后的收盘价，用该股票前一个交易日的原始特征对当天的原始特征进行标准化，得到以新闻标题作为原始数据，通过tensorflow_hub库中提供的通用句子编码器use对每条新闻标题进行编码，得到新闻的内容嵌入s1.2，用提示工程挖掘潜在的影响对象，即可能会受新闻影响的股票；s1.3，构建数据集dataset，并且对数据集dataset进行划分；s1.4，生成新闻情感嵌入具体包括：采用了独热编码方法来生成情感嵌入，为每支股票分配一个二元向量，具体分配方法如下：对股票影响正面，其编码为[1,0]；对股票影响负面，其编码为[0,1]；对股票无影响，其编码[0,0]；聚合这些独热编码结果，生成一个n×2维的向量n代表总的股票数量；s1.5，构建邻接矩阵具体包括：将要构建的异质图包含股票、新闻和行业三种类型节点，从现实世界中提取了两种不同类型的关系作为异质图的边e，并且表示为邻接矩阵至此构建出完整的异质图。
3.根据权利要求2所述一种基于异质图神经网络的股票价格波动预测方法，其特征在于：所述步骤s2具体包括下列子步骤：s2.1，历史价格新闻文本和新闻情感时序嵌入生成：将股票在交易日区间为[t-t,t)的历史价格特征输入时序融合编码器，输出历史价格时序嵌入通过类似的时序融合编码器实现新闻文本和新闻情感时序嵌入的生成；s2.2，生成时序邻接矩阵具体包括：将交易日区间为[t-t,t)的异质图邻接矩阵输入通道加权图网络中，得到时序邻接矩阵
4.根据权利要求3所述一种基于异质图神经网络的股票价格波动预测方法，其特征在于：所述步骤s3具体包括：s3.1，指定元路径；s3.2，采用多头注意力机制聚合每个节点的元路径邻居的信息；s3.3，采用多层注意力机制聚合三个节点嵌入向量。
5.根据权利要求4所述一种基于异质图神经网络的股票价格波动预...
【专利技术属性】
技术研发人员：闫波，周锦鑫，宿红毅，高春晓，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
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。