[发明专利]一种股票波动预测方法及装置

权利要求书

1.一种股票波动预测方法，其特征在于，所述方法包括：

获取待预测的目标股票的多源历史数据，以及与所述目标股票相关的参考股票的多源历史数据；其中，股票的多源历史数据包括：在预测时间点之前预设数量个单位时间的每个单位时间内与股票相关的股市量化数据，新闻标题数据以及网络评价数据；

从所述多源历史数据中提取特征数据；

基于所述参考股票的多源历史数据的特征数据，对所述目标股票的多源历史数据的特征数据进行修正，得到所述目标股票的修正数据；

将所述修正数据输入预测模型，得到所述目标股票的波动预测结果，所述预测模型是根据样本股票的多源历史数据的特征数据，以及所述样本股票已知的波动数据训练得到的；

所述基于所述参考股票的多源历史数据的特征数据，对所述目标股票的多源历史数据的特征数据进行修正，得到所述目标股票的修正数据的步骤，包括：

将所述目标股票的多源历史数据的特征数据以及所述参考股票的多源历史数据的特征数据输入注意力网络中，得到所述目标股票与各个参考股票的相似度；

基于所述相似度，确定各个参考股票的加权权重；

基于所述加权权重，对所述目标股票的特征数据进行加权求和，并根据加权求和结果对所述目标股票的特征数据进行修正，得到所述目标股票的修正数据。

2.根据权利要求1所述的方法，其特征在于，所述特征数据包括第一特征数据，第二特征数据和第三特征数据；所述从所述多源历史数据中提取特征数据的步骤，包括：

将所述股市量化数据标准化，得到第一特征数据；

对所述新闻标题数据进行分词，并将分词得到的词语转换为第一词语向量，得到第二特征数据；

对所述网络评价数据进行分词，并将分词后的词语转换为第二词语向量，从所述第二词语向量中提取情感数据，得到第三特征数据，所述情感数据包括积极情感数据和消极情感数据。

3.根据权利要求1所述的方法，其特征在于，所述预测模型包括因子分解机模型和深度神经网络模型，按照如下步骤训练所述预测模型：

获取预设的因子分解机模型和深度神经网络模型；

将所述样本股票的多源历史数据的特征数据分别输入所述因子分解机模型和深度神经网络模型，得到所述因子分解机模型的第一输出结果和所述深度神经网络模型的第二输出结果；

聚合所述第一输出结果和所述第二输出结果，得到所述样本股票的波动预测结果；

将所述波动预测结果，以及所述样本股票已知的波动数据代入预先设置的损失函数，确定损失值；

基于所述损失值判断所述预测模型是否收敛，若否，则调整所述因子分解机模型和所述深度神经网络模型中的参数值，并返回将所述样本股票的多源历史数据的特征数据分别输入所述因子分解机模型和深度神经网络模型的步骤；

若是，则将当前的预测模型确定为训练完成的预测模型。

4.一种股票波动预测装置，其特征在于，所述装置包括：

获取模块，用于获取待预测的目标股票的多源历史数据，以及与所述目标股票相关的参考股票的多源历史数据；其中，股票的多源历史数据包括：在预测时间点之前预设数量个单位时间的每个单位时间内与股票相关的股市量化数据，新闻标题数据以及网络评价数据；

提取模块，用于从所述多源历史数据中提取特征数据；

修正模块，用于基于所述参考股票的多源历史数据的特征数据，对所述目标股票的多源历史数据的特征数据进行修正，得到所述目标股票的修正数据；

预测模块，用于将所述修正数据输入预测模型，得到所述目标股票的波动预测结果，所述预测模型是根据样本股票的多源历史数据的特征数据，以及所述样本股票已知的波动数据训练得到的；

所述修正模块，具体用于：

将所述目标股票的多源历史数据的特征数据以及所述参考股票的多源历史数据的特征数据输入注意力网络中，得到所述目标股票与各个参考股票的相似度；

基于所述相似度，确定各个参考股票的加权权重；

基于所述加权权重，对所述目标股票的特征数据进行加权求和，并根据加权求和结果对所述目标股票的特征数据进行修正，得到所述目标股票的修正数据。