CN109919366A - 基于张量及事件驱动lstm模型的股价预测方法 - Google Patents
基于张量及事件驱动lstm模型的股价预测方法 Download PDFInfo
- Publication number
- CN109919366A CN109919366A CN201910134097.8A CN201910134097A CN109919366A CN 109919366 A CN109919366 A CN 109919366A CN 201910134097 A CN201910134097 A CN 201910134097A CN 109919366 A CN109919366 A CN 109919366A
- Authority
- CN
- China
- Prior art keywords
- event
- tensor
- information
- data
- driven
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000008451 emotion Effects 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 27
- 210000004027 cell Anatomy 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 6
- 230000007306 turnover Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 210000000130 stem cell Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 16
- 238000011160 research Methods 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001073 episodic memory Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于张量及事件驱动LSTM模型的股价预测方法，包括首先进行市场信息二阶张量构建，然后进行基于事件驱动的LSTM模型构建，最后进行基于LSTM模型对张量数据进行处理。本发明通过二阶张量表征不同维度的数据源信息，形成时序张量流数据，能够尽可能多地保留数据之间的相互关联；同时，通过卷积局部连接和权值共享的特点，能够捕捉保留张量数据中异构基本面数据和媒体情感面数据的相关关系；通过事件驱动对LSTM记忆的控制，能够有效控制事件发生与否对股票市场的影响情况，使不定时间间隔的媒体情感面数据在长间隔后，也能够记起特有的规律和模式。
Description
本发明的目的在于，设计一种通过张量表征不同维度的数据源信息，尽可能的保留数据之间的关联性，并通过事件驱动对LSTM记忆的控制，能有有效控制事件与否对股票市场的影响情况，使不定时间间隔的媒体情感面数据在长间隔后，也能够记起特有的规律和模式。本发明采取以下技术方案：
基于张量及事件驱动LSTM模型的股价预测方法，基于二阶张量通过事件驱动的LSTM模型对股价进行预测，包括以下步骤：
S1：市场信息二阶张量构建，所述市场信息包括基本面数据和媒体情感数据，利用二阶张量空间对基本面数据和媒体情感数据进行表征，更多地保留异构数据源间相互关系，所述二阶张量的表达式为Xt∈RI1×I2,其中I1∈R，I2∈RI分别代表公司基本面信息数据和媒体情感面信息，特别地，二阶张量中元素ai1,i2定义为：
ai1,1,1≤i1≤I1表示公司基本面信息中的特征值；
a2,i2,1≤i2≤I2表示媒体情感面信息中的特征值；
S2：基于事件驱动的LSTM模型构建，所述LSTM模型的t时期的输入包括前期输出ht-1、前期细胞记忆Ct-1以及当期市场信息二阶张量Xt；
S3：基于LSTM模型对张量数据进行处理。
进一步的，所述的公司基本面信息包括日最高价、日最低价、开盘价、收盘价、成交量、换手率、市盈率和市账率。
进一步的，所述的媒体情感面信息包括正面情感度、负面情感度和正负情感偏差，其计算如下：
其中，N+,N-分别表示正、负面情感次数，P+,P-分别表示正负面情感度的衡量，D-表示正负情感偏差指标。
进一步的，所述的事件驱动的LSTM模型构建，包括以下步骤：
S1:在t时期输入：前期输出ht-1、前期记忆细胞Ct-1和二阶张量Xt∈RI1×I2，其中前期输出ht-1记录了前期模型隐藏层信息，细胞记忆Ct-1记录了前期市场信息中获得的规律和模式，以媒体情感信息面信息对记忆状态进行调整；
S2:在t时期利用遗忘门ft对前期记忆细胞Ct-1进行筛选，舍弃对当前股票波动无用的信息，遗忘门ft的计算方式为：
ft＝σ(Wf*Xt+Uf*ht-1+Vf*Rt+bf)
其中{Wf,Uf,Vf}为遗忘门参数，bf为对应偏置项，*为定义的卷积操作；
S3:通过对二阶张量Xt和前期输出ht-1的函数映射机制，得到保留市场信息因子的临时记忆细胞计算方式为
其中{Wc,Uc,Vc}为细胞临时状态参数，bc为对应偏置项，*为定义的卷积操作；
S4:利用输入门it将当期输入信息加入记忆细胞，得到新的记录市场信息相互关系和波动规律的记忆Ct，it和Ct计算方式为：
it＝σ(Wi*Xi+Ui*ht-1+Vi*Rt+bi)
其中{Wi,Ui,Vi}为输入门神经网络参数，bi为对应偏置项，*为定义的卷积操作，○是Handmard乘积；
S5：通过输出门ot对最后得到的细胞状态和当前输入进行输出筛选，得到t 时期的输出ht，计算方式为：
ot＝σ(Wo*Xt+Uo*ht-1+Vo*Rt+bo)
ht＝ot○tanh(Cf)
进一步的，基于张量及事件驱动LSTM模型的股价预测方法，还包括记忆状态调整步骤，，以媒体情感信息面信息对记忆状态进行调整，使用非增函数映射机制将事件转换为控制因子rt，并利用tanh函数的映射机制剥离出来与事件无关的记忆Cr。当有事件发生时，事件控制因子变大，筛选细胞记忆Ct时，能够丢弃更多的无关信息，保留更多事件相关信息，从而得到事件驱动下的细胞记忆 Cf。rt，Ct,Cf计算如下：
rt＝σ(Vr*Rt+br)
Cr＝tanh(Ct)
Cf＝Ct-Cr+Crrt
有益效果：本发明通过二阶张量表征不同维度的数据源信息，形成时序张量流数据，能够尽可能多地保留数据之间的相互关联；同时，通过卷积局部连接和权值共享的特点，能够捕捉保留张量数据中异构基本面数据和媒体情感面数据的相关关系；通过事件驱动对LSTM记忆的控制，能够有效控制事件发生与否对股票市场的影响情况，使不定时间间隔的媒体情感面数据在长间隔后，也能够记起特有的规律和模式；基于该模型，我们在2015年的中国股市真实数据上进行实证研究。发现该模型优于目前state-of-the-art的媒体感知对股票市场影响的结果。
附图说明
图1是***框架图。
图2是张量建模示意图。
图3是卷积操作的内在结构示意图。
图4是基于事件驱动的LSTM模型。
图5是事件驱动示意图。
图6是准确率统计图。
图7是不同模型F值情况汇总图。
图8是基于向量式事件驱动的效力实验结果图。
图9是基于张量的事件驱动效力实验结果图。
图10是准确率统计图。
图11是不同模型F值情况汇总图。
图12是市场中不同特征的贡献度图。
图13是三月累积收益图比较结果图。
具体实施方式
下面结合附图对本发明做进一步的描述，但本发明的保护范围不局限于以下所述。
如图1所示,基于张量及事件驱动LSTM模型的股价预测方法，基于二阶张量通过事件驱动的LSTM模型对股价进行预测，包括以下步骤：
S1：市场信息二阶张量构建，如图2所示，所述市场信息包括基本面数据和媒体情感数据，利用二阶张量空间对基本面数据和媒体情感数据进行表征，更多地保留异构数据源间相互关系，所述二阶张量的表达式为Xt∈RI1×I2,其中I1∈R I，I2∈RI分别代表公司基本面信息数据和媒体情感面信息，特别地，二阶张量中元素ai1,i2定义为：
ai1,1,1≤i1≤I1表示公司基本面信息中的特征值；
a2,i2,1≤i2≤I2表示媒体情感面信息中的特征值；
S2：基于事件驱动的LSTM模型构建，如图4、图5所示，所述LSTM模型的t时期的输入包括前期输出ht-1、前期细胞记忆Ct-1以及当期市场信息二阶张量Xt；
S3：基于LSTM模型对张量数据进行处理。
进一步的，所述的公司基本面信息包括日最高价、日最低价、开盘价、收盘价、成交量、换手率、市盈率和市账率。
进一步的，所述的媒体情感面信息包括正面情感度、负面情感度和正负情感偏差，其计算如下：
其中，N+,N-分别表示正、负面情感次数，P+,P-分别表示正负面情感度的衡量，D-表示正负情感偏差指标。
进一步的，所述的事件驱动的LSTM模型构建，包括以下步骤：
S1:在t时期输入：前期输出ht-1、前期记忆细胞Ct-1和二阶张量Xt∈RI1×I2，其中前期输出ht-1记录了前期模型隐藏层信息，细胞记忆Ct-1记录了前期市场信息中获得的规律和模式；
S2:在t时期利用遗忘门ft对前期记忆细胞Ct-1进行筛选，舍弃对当前股票波动无用的信息，遗忘门ft的计算方式为：
ft＝σ(Wf*Xt+Uf*ht-1+Vf*Rt+bf)
其中{Wf,Uf,Vf}为遗忘门参数，bf为对应偏置项，*为定义的卷积操作；
S3:通过对二阶张量Xt和前期输出ht-1的函数映射机制，得到保留市场信息因子的临时记忆细胞计算方式为
其中{Wc,Uc,Vc}为细胞临时状态参数，bc为对应偏置项，*为定义的卷积操作；
S4:利用输入门it将当期输入信息加入记忆细胞，得到新的记录市场信息相互关系和波动规律的记忆Ct，it和Ct计算方式为：
it＝σ(Wi*Xi+Ui*ht-1+Vi*Rt+bi)
其中{Wi,Ui,Vi}为输入门神经网络参数，bi为对应偏置项，*为定义的卷积操作，○是Handmard乘积；
S5：通过输出门ot对最后得到的细胞状态和当前输入进行输出筛选，得到t 时期的输出ht，计算方式为：
ot＝σ(Wo*Xt+Uo*ht-1+Vo*Rt+bo)
ht＝ot○tanh(Cf)
进一步的，如图3所示，将卷积操作定义为*；
进一步的，基于张量及事件驱动LSTM模型的股价预测方法，还包括记忆状态调整步骤，以媒体情感信息面信息对记忆状态进行调整，使用非增函数映射机制将事件转换为控制因子rt，并利用tanh函数的映射机制剥离出来与事件无关的记忆Cr。当有事件发生时，事件控制因子变大，筛选细胞记忆Ct时，能够丢弃更多的无关信息，保留更多事件相关信息，从而得到事件驱动下的细胞记忆Cf。rt，Ct,Cf计算如下：
rt＝σ(Vr*Rt+br)
Cr＝tanh(Ct)
Cf＝Ct-Cr+Crrt
本发明还做了以下实验，以验证该模型的优越性：
实验目的：
我们的实验目的是为了检验基于张量的事件驱动LSTM模型，在探究市场信息与股价波动关联性的效力。尤其是，模型捕捉定时间间隔和不定时间间隔的异构时序市场信息对股票市场的影响。在实验中对以下问题较为关注：
●不同维度的信息怎么联合影响股票市场的波动？通过张量对它们之间相互影响和补充关系的捕捉是增强信息预测准确性还是削弱？
●尤其是，对于定时间间隔的基本面数据和不定时间间隔的新闻信息，事件驱动的LSTM模型能否有效加强事件影响效果？这将帮助我们在处理异源异构数据的实际情景提出建设性意见。
因此，我们使用中国股票市场数据，在没有做市商的交易干预下，进行多源异构市场信息与股票波动关联的研究。
实验数据
本文实验重点关注最能够代表中国股票市场行情的上证100公司数据。主要包括了上证100的基本面信息数据和市场上具有代表的新闻信息数据。两个维度的数据具体如下：
●公司基本面数据：基本面维度的数据来自于中证100(CSI100)的100 家公司，自2015年1月1日-2016年12月31日的市场交易数据。由于中证100 公司列表每半年更新一次，我们此次选取了2015年都在列表中的95家公司进行实验。(Since the CSI 100list isadjusted every halfa year,we only experiment on the companies listed in theentire year of2015.)选取交易数据包括：开盘价，收盘价，最高价，最低价，成交量，换手率，P/E ratio,P/B ratio，具体说明见表1。根据何欣等人的研究，股票市场历史交易信息有效影响时间为5天，因此，我们使用 5天作为实验滑动窗口。
●媒体情感面数据：股票市场重大新闻信息的释放会影响投资者对公司未来的预期，带来股票市场波动。本文收集了2015年1月1日-2016年12月31，关于中证100公司12170条新闻信息数据。这些新闻信息来自全景网(全景网是中国证券公司信息披露以及投资者与公司互动的重要平台，网址：http://www.p5w.net)股民专版。该网站每天几乎有千万的浏览量，其巨大的点击量、浏览量和评论量，侧面反映了新闻信息的重要性。获取文本数据后，我们通过媒体情感面信息计算公司提取出文本中包含的媒体情感信息。
接下来，把获取的两个维度的信息，按照张量表征方式构建成为张量流，作为研究的输入数据，并划分为训练集和测试集两部分。本文选择前18个月数据用于训练，后6个月数据作为测试。
评估和标记
在本研究，采用趋势预测的准确率作为基于张量的事件驱动LSTM模型的评价标准。趋势预测的准确率是指预测价格和真实价格波动方向一致的占比率。如预测价格显示该股票在未来要跌，股票真实情况也为跌，说明趋势预测正确。趋势预测正确率指标计算如下:
其中，n代表预测趋势与真实趋势一致的数目，N是总的预测数量。(Where,n isthe number of predictions with same movement direction to the actual stockprice. And N is the total number ofpredictions.)特别地，对于股票涨跌标记，有多种 5-days-ahead outcomes方法(Weng et al,2017)。我们选用了比较常见且表现较优的三种标记方式这些方式定义见表1.
表1:五日标记法
张量的效力研究
探究多维度信息对股票市场影响时，传统研究就是把不同维度信息拼接为向量，向量元素之间相互独立的特性丧失了不同维度信息之间的关联，会导致信息的丢失以及预测误差。本研究中，用张量表征不同维度信息，能够保留不同维度间内在的复杂关系和潜在信息。为了对比张量和向量的预测效果，我们用 Tensor-based Event-LSTM模型与Vector-based Event-LSTM模型作为baseline进行比较：
●Vectorbased Event-LSTM：在我们提出的Event-LSTM模型中，我们直接使用拼接向量进行预测。
图6、图7展示了两个模型预测趋势的准确率和F值评估。Tensor-based model 在三种标记模式上都优于Vector-based模型，这是因为通过张量表征的多源数据，能够更多地保留数据间相互的关联性。同时，我们发现target 1和target 2在准确率和F值评估方式(evaluation metrics’value)上都能够更好地预测出股票的波动趋势。这可能是由于投资者一般在开盘之前和收盘后会根据获得信息对股票走势做出判断，开盘价和收盘价更能够反映投资者情绪受到释放信息的影响形成的初始意愿，从而更加可靠地反映股票市场波动。这也从另一方面验证了金融领域学者关于非交易时间信息效应能够集合反映在开、收盘价上的发现(Tissaoui and Kais,2012)
事件驱动的效力研究
考虑到LSTM模型中，定时间间隔的基础面数据和不定时间间隔的新闻信息会影响长期依赖效果，使事件记忆失效，本研究采用了事件驱动的Event-LSTM 模型。为了更好地研究事件驱动模型效果，我们将我们的方法与以下baseline进行对比：
●Vector based LSTM模型：直接使用基本面数据和媒体情感面数据拼接的向量，利用LSTM模型进行股票趋势预测。
●Tensor based LSTM模型：将不同维度的异构市场信息通过张量表征后，通过LSTM模型进行股票趋势预测。
●Vector based Event-LSTM：在我们提出的Event-LSTM模型中，我们直接使用拼接向量进行预测。
模型预测基于事件驱动的对比结果如图8和图9所示。两种衡量指标来看，不论是通过向量拼接处理数据，还是通过张量表征数据，事件驱动模型总体上都要优于一般的LSTM。这说明我们的事件驱动模型能够通过事件的发生，加强对股票市场受新闻信息影响规律和模式的捕捉。具体来看，我们的模型，比基于张量的LSTM表现好，是因为针对张量流时序数据，一般LSTM模型会因为新闻信息的不定时间间隔，使相关关系随着张量流时序数据的传递不断减弱，甚至消失。而事件驱动的LSTM模型能够实现以事件作为驱动动力，加强张量流上的关联传递，捕捉到相关模式和规律。
效力示范
通过上述实验发现，tensor表征和事件驱动能够有效地捕捉到多源异构数据对股票市场波动的影响。为了全面衡量模型的效力，我们总结了目前现有研究中表现较优的模型作为基准：
●Support Vector Machine(SVM)：作为一种有效的股票预测模型(Kim， 2003)，我们选用该模型用于处理我们的数据。
●Decision Tree(DT)：在股票预测表现中，优于许多其他模型，因此，在 thisstudy，我们采用它作为基准之一。
●Artificial Neural Network(ANN)：ANNs在分类、回归和模式识别等问题中的良好表现，让很多学者开始将其运用在股票预测中(Bollen et al.2011； Dase andPawar，2010)。在这组baseline中，我们使用拼接向量，通过bp多层感知机进行股价趋势预测。
●LSTM：LSTM在处理时序数据中具有优良表现。因此，我们直接使用基本面数据和媒体情感面数据拼接的向量，利用LSTM模型进行股票趋势预测。
实验结果如图10和图11所示。与SVM，DT，ANN模型相比，LSTM模型在三种tag方式上都具有较好的表现。可见，在处理时序数据问题上，引入长短期记忆，可以帮助发现时序数据中的规律和模式，更加有利于对股票市场波动的预测。同时，与这些模型相比，Event-LSTM在准确率及F值衡量下都具有更好的表现，可见，模型在整体上都具有一定的优势。
市场投资层面分析
在多维度信息影响股票市场波动的研究中，每个维度的包含了不同的特征。在一定程度上，信息释放越完全，市场越透明，对于股票波动的趋势把握越可靠。但是，在利用机器学习模型研究市场信息与股票市场关联性时，这些维度的信息影响效力将会隐藏在模型表现背后。
为了更好地理解，每一个特征的作用，我们计算最佳模型中，所有特征的独立贡献情况。图12总结了不同特征在预测能力上的作用。我们可以看出历史交易数据越靠近交易日，所含有的可解释信息越多，尤其是做出决策的前两日，通过PB和PE值衡量，对公司短期内的预期会比较准确。同时，开盘价和收盘价也包含了许多市场信息，能够辅助决策。然而五天中，换手率指标的贡献度都处于偏低位置，我们可以认为这是由于换手率指标衡量的是投资者参与该股的程度，对于较为活跃的中证100的股票来说，这个指标没有与股票波动没有明显关系。
模拟投资分析
我们设计了一个Tensor-based Event-LSTM的分析模型，因此在这个部分，我们将我们的模型与两个经典的Top-N交易策略，AZFinText(Schumaker and Chen，2009b)和eMAQT(Li et al，2014a)进行比较，以衡量模型在真实投资中的表现。
在投资中，我们设定初始资金为RMB10，000(approximately USD 1,630)，并比较持续3个月累计投资日收益，在此期间，CSI100指数变化下降了5％。我们根据前期投资设定研究，建立交易规则如下：分别采用Top-5；Top-10；Top-15； Top-20，预测出5日涨跌趋势，第五日开盘买入，第六日开盘卖出。三个月累积日收益率见图13。
有益效果：本发明通过二阶张量表征不同维度的数据源信息，形成时序张量流数据，能够尽可能多地保留数据之间的相互关联；同时，通过卷积局部连接和权值共享的特点，能够捕捉保留张量数据中异构基本面数据和媒体情感面数据的相关关系；通过事件驱动对LSTM记忆的控制，能够有效控制事件发生与否对股票市场的影响情况，使不定时间间隔的媒体情感面数据在长间隔后，也能够记起特有的规律和模式；与基于传统的向量拼接方式的ANN和LSTM模型比较，我们发现利用张量表征多维度信息，更加有利于保留信息间相互影响，相互补充的关系，信息间存在的相关关系能够更好地辅助模型进行预测。并且相较普通机器学习模型，如SVM，Decision Tree模型在处理时序数据问题上，确实具有更好的表现。同时，时序数据中，存在定时间间隔的基本面数据与不定时间间隔的新闻数据这样的异构数据时，传统的LSTM模型会丧失一定的效力，本文引入事件驱动机制，有效地控制事件发生与否的不同影响效果，使这种时间间隔跨度不稳定的事件信息，在长间隔后，也能够记起其特有的规律和模式。然而，简单传统的词典法虽然能够描述金融文本信息的情感倾向(Tetlock et al,2008)，但是这种方法缺乏对句子语义的分析。在后期研究中，为了更好地捕捉语义关系，找到文本内容中由词语的含义和词语之间的结构关系表达的语义信息，我们首先考虑词语的含义，排除文本内容中比较、转折、否定词等对情感倾向的判断造成干扰(Li et al，2014)；更为重要的是，利用句法分析(Ding et al，2014,2015)找到文本词语之间结构关系的表达，有效地量化文本信息。
同时，本文为定时间间隔和不定时间间隔的异构时序数据处理提供了新的思路，例如：定时长的期权指数数据和不定时长的期权交易数据，定时长距离的农作物生长数据和不定时长的降雨情况等。该模型在这些场景的应用仍有待检验。以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于张量及事件驱动LSTM模型的股价预测方法，基于二阶张量通过事件驱动的LSTM模型对股价进行预测，其特征在于，包括以下步骤：
S1：市场信息二阶张量构建，所述市场信息包括基本面数据和媒体情感数据，利用二阶张量空间对基本面数据和媒体情感数据进行表征，更多地保留异构数据源间相互关系，所述二阶张量的表达式为Xt∈RI1×I2,其中I1∈R，I2∈RI分别代表公司基本面信息数据和媒体情感面信息，特别地，二阶张量中元素ai1,i2定义为：
ai1,1,1≤i1≤I1表示公司基本面信息中的特征值；
a2,i2,1≤i2≤I2表示媒体情感面信息中的特征值；S2：基于事件驱动的LSTM模型构建，所述LSTM模型的t时期的输入包括前期输出ht-1、前期细胞记忆Ct-1以及当期市场信息二阶张量Xt；
S3：基于LSTM模型对张量数据进行处理。
2.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：所述的公司基本面信息包括日最高价、日最低价、开盘价、收盘价、成交量、换手率、市盈率和市账率。
3.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：所述的媒体情感面信息包括正面情感度、负面情感度和正负情感偏差，其计算如下：
其中，N+,N-分别表示正、负面情感次数，P+,P-分别表示正负面情感度的衡量，D-表示正负情感偏差指标。
4.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：所述的事件驱动的LSTM模型构建，包括以下步骤：
S1:在t时期输入：前期输出ht-1、前期记忆细胞Ct-1和二阶张量Xt∈RI1×I2，其中前期输出ht-1记录了前期模型隐藏层信息，细胞记忆Ct-1记录了前期市场信息中获得的规律和模式，以媒体情感信息面信息对记忆状态进行调整；
S2:在t时期利用遗忘门ft对前期记忆细胞Ct-1进行筛选，舍弃对当前股票波动无用的信息，遗忘门ft的计算方式为：
ft＝σ(Wf*Xt+Uf*ht-1+Vf*Rt+bf)
其中{Wf,Uf,Vf}为遗忘门参数，bf为对应偏置项，*为定义的卷积操作；
S3:通过对二阶张量Xt和前期输出ht-1的函数映射机制，得到保留市场信息因子的临时记忆细胞计算方式为
其中{Wc,Uc,Vc}为细胞临时状态参数，bc为对应偏置项，*为定义的卷积操作；
S4:利用输入门it将当期输入信息加入记忆细胞，得到新的记录市场信息相互关系和波动规律的记忆Ct，it和Ct计算方式为：
it＝σ(Wi*Xi+Ui*ht-1+Vi*Rt+bi)
其中{Wi,Ui,Vi}为输入门神经网络参数，bi为对应偏置项，*为定义的卷积操作，○是Handmard乘积；
S5：通过输出门ot对最后得到的细胞状态和当前输入进行输出筛选，得到t时期的输出ht，计算方式为：
ot＝σ(Wo*Xt+Uo*ht-1+Vo*Rt+bo)
ht＝ot○tanh(Cf)
5.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：还包括记忆状态调整步骤，，以媒体情感信息面信息对记忆状态进行调整，使用非增函数映射机制将事件转换为控制因子rt，并利用tanh函数的映射机制剥离出来与事件无关的记忆。当有事件发生时，事件控制因子变大，筛选细胞记忆Ct时，能够丢弃更多的无关信息，保留更多事件相关信息，从而得到事件驱动下的细胞记忆Cf。rt，Ct,Cf计算如下：
rt＝σ(Vr*Rt+br)
Cr＝tanh(Ct)
Cf＝Ct-Cr+Crrt。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910134097.8A CN109919366A (zh) | 2019-02-22 | 2019-02-22 | 基于张量及事件驱动lstm模型的股价预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910134097.8A CN109919366A (zh) | 2019-02-22 | 2019-02-22 | 基于张量及事件驱动lstm模型的股价预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919366A true CN109919366A (zh) | 2019-06-21 |
Family
ID=66962095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910134097.8A Pending CN109919366A (zh) | 2019-02-22 | 2019-02-22 | 基于张量及事件驱动lstm模型的股价预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919366A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160426A (zh) * | 2019-12-17 | 2020-05-15 | 齐鲁工业大学 | 一种基于张量融合和lstm网络的特征融合方法及*** |
| CN116307298A (zh) * | 2023-05-23 | 2023-06-23 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测模型 |
-
2019
- 2019-02-22 CN CN201910134097.8A patent/CN109919366A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160426A (zh) * | 2019-12-17 | 2020-05-15 | 齐鲁工业大学 | 一种基于张量融合和lstm网络的特征融合方法及*** |
| CN111160426B (zh) * | 2019-12-17 | 2023-04-28 | 齐鲁工业大学 | 一种基于张量融合和lstm网络的特征融合方法及*** |
| CN116307298A (zh) * | 2023-05-23 | 2023-06-23 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测模型 |
| CN116307298B (zh) * | 2023-05-23 | 2023-08-18 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bellini | IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS | |
| Ouyang et al. | Systemic financial risk early warning of financial market in China using Attention-LSTM model | |
| Greenwood-Nimmo et al. | Risk and return spillovers among the G10 currencies | |
| Xie et al. | Blockchain financial investment based on deep learning network algorithm | |
| Xiuguo et al. | An analysis on financial statement fraud detection for Chinese listed companies using deep learning | |
| Sun et al. | SFFS-PC-NN optimized by genetic algorithm for dynamic prediction of financial distress with longitudinal data streams | |
| AU2018101512A4 (en) | A comprehensive stock trend predicting method based on neural networks | |
| Liu et al. | Volatility spillover and hedging strategies between the European carbon emissions and energy markets | |
| Fathali et al. | Stock market prediction of Nifty 50 index applying machine learning techniques | |
| Li et al. | Risk dependence between energy corporations: A text-based measurement approach | |
| Cipiloglu Yildiz et al. | A portfolio construction framework using LSTM‐based stock markets forecasting | |
| Huang et al. | CAViaR-based forecast for oil price risk | |
| Hood et al. | Estimating downside risk in stock returns under structural breaks | |
| Sarkar et al. | LSTMSA: a novel approach for stock market prediction using lstm and sentiment analysis | |
| CN109919366A (zh) | 基于张量及事件驱动lstm模型的股价预测方法 | |
| Song et al. | Incorporating research reports and market sentiment for stock excess return prediction: A case of mainland China | |
| Kakade et al. | Forecasting Commodity Market Returns Volatility: A Hybrid Ensemble Learning GARCH‐LSTM based Approach | |
| Baswaraj et al. | An Accurate Stock Prediction Using Ensemble Deep Learning Model | |
| Zheng et al. | Incorporating prior financial domain knowledge into neural networks for implied volatility surface prediction | |
| Wei et al. | Dynamic sparse portfolio rebalancing model: A perspective of investors’ behavior-related decisions | |
| Wang et al. | The effect of the US dollar exchange rate on oil prices: An oil financialization perspective | |
| Li | An early control algorithm of Corporate financial risk using artificial neural networks | |
| Khoa et al. | Long Short‐Term Memory Recurrent Neural Network for Predicting the Return of Rate Underframe the Fama‐French 5 Factor | |
| Dai et al. | A new multilayer network for measuring interconnectedness among the energy firms | |
| TWM623354U (zh) | 投資推薦系統 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |