[发明专利]一种基于技术指标和新闻情感的股票价格预测方法及系统

说明书

本发明公开了计算机信息技术处理和金融工程技术领域的一种基于技术指标和新闻情感的股票价格预测方法及系统，旨在解决现有技术中无法高效利用包括财经新闻在内的多种信息源信息准确预测股票价格的技术问题。所述方法包括如下步骤：基于与目标股票相关的财经新闻文本语料，求取目标股票的新闻情感特征时间序列；基于新闻情感特征时间序列和预获取的技术指标特征时间序列，生成目标股票的行情快照序列集合；对行情快照序列集合与目标股票的收益率进行匹配，获取目标股票的回报率预测函数；基于预获取的行情快照与目标股票的回报率预测函数，预测目标股票的回报率。

技术领域

本发明涉及一种基于技术指标和新闻情感的股票价格预测方法及系统，属于计算机信息技术处理和金融工程技术领域。

背景技术

根据Fama提出的有效市场假说理论，当市场为有效市场时，市场中股票的价格包含了市场中信息。随着近年来互联网技术的发展，市场中信息的组成类型发生了巨大改变，越来越多的财经新闻文章在网上发布，其包含的情感信息吸引了越来越多的投资者关注。新的信息源为股票价格预测提供了新思路，如何高效地从这些信息源中挖掘并使用相关信息，成为一个值得研究的方向。

早期，有许多研究工作专注于通过股票的价量时序数据对股票短期价格进行定量估计。得益于深度学习技术的发展，这些纯粹基于价量数据进行预测的方法也得到了进一步改进。Feng等人利用深度卷积网络对股票的收益率进行排名，制定投资组合。一些研究揭示，由于深度循环神经网络具有记忆能力，因此它们在建模时序数据时能比其他机器学习方法表现出更强的学习能力。Gao和Chai采用长期短期记忆网络来提高股票价格趋势的预测准确性，证实了长期短期记忆模型在股票价格趋势预测上的有效性。然而，这些基于深度学习股票价格预测方法仅利用股票的历史价量数据，而忽略了股票市场波动会受到各种其他信息源(例如与股票相关事件的新闻文本)影响的事实。伴随市场信息组成类型的改变，使用多种不同类型的数据源已成为股票预测的趋势，许多研究对如何利用多个数据源的信息进行了进一系列的探讨。Akita等人用向量模型表示新闻的段落特征，然后通过一个深度神经网络来预测东京证券交易所50只股票的收盘价。Hu等人通过使用新闻向量和价格数据训练双向GRU网络来预测股票的日波动率。

但基于词频的文本特征被认为是文本的浅层特征表示，真正被人类所理解的是文本中隐含的情感偏向和知识关系。因此，与词频特征相比，这些更高层次的抽象表示在股票预测中则更为重要。目前，许多研究开始关注于提取文本中的语义信息，一些工作通过考虑事件实体和关系提出了基于事件驱动的预测方法，而另一些工作则研究如何从新闻报道和社交媒体中挖掘公众情感来改进股票价格的预测精度，但针对通过融合技术指标和新闻情感预测股票价格的研究相对较少，迫切需要提供一种基于技术指标和财经新闻文本情感的股票价格预测方法，用以解决无法高效利用多种信息源信息提高股票价格预测精度的问题。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于技术指标和新闻情感的股票价格预测方法及系统，以解决现有技术中无法高效利用包括财经新闻在内的多种信息源信息准确预测股票价格的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于技术指标和新闻情感的股票价格预测方法，包括如下步骤：

基于与目标股票相关的财经新闻文本语料，求取目标股票的新闻情感特征时间序列；

基于新闻情感特征时间序列和预获取的技术指标特征时间序列，生成目标股票的行情快照序列集合；

对行情快照序列集合与目标股票的回报率进行匹配，获取目标股票的回报率预测函数；

基于预获取的行情快照与目标股票的回报率预测函数，预测目标股票的回报率。

进一步地，所述新闻情感特征时间序列的求取方法，包括：

对财经新闻文本语料中的字符串文本进行预处理，获取财经新闻文本语料的词向量；