[发明专利]基于事件抽取的金融数据分析方法及装置

说明书

本发明公开了一种基于事件抽取的金融数据分析方法及装置，其中，该方法包括：获取资讯数据，资讯数据包含：多条资讯的资讯标题和对应的日期信息；从每条资讯的资讯标题中，抽取结构化的金融事件数据；将抽取的金融事件数据输入到预先训练好的金融主体情感分析模型中，输出每个金融事件的情感分类；统计各个情感分类对应的金融事件量，生成一个偏差向量，与待分析金融数据的特征向量进行融合，得到融合后的特征向量；将融合后的特征向量，输入到预先训练好的金融时间序列分析网络模型中，输出待分析金融数据的金融时间序列，其中，金融时间序列用于反映待分析金融数据的数据变化趋势。本发明能够有效提升金融数据分析预测的准确性。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于事件抽取的金融数据分析方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着金融行业的不断发展，对社会经济运行的重要性越来越强，对金融数据进行有效分析，是整个社会经济活动的重要工作之一。

金融时间序列数据，是金融领域中随时间推移具有一定变化规律的时序数据，例如，股票数据、期货数据等。由于金融时间序列数据是时间序列数据的一种，具有很强的时间性，前后数据往往存在较强的依赖关系或周期关系，可基于统计的方式根据现有数据对未来数据进行预测。由于金融时间序列数据受多种因素影响，具有非线性、非平稳性、复杂性等特点，是金融数据分析中极具挑战性的研究课题。

目前，现有技术中主要采用数据建模的方式，对金融数据进行分析预测。但因金融数据受到政策、基本面、市场情绪、自然灾害、重大风险提示等多方面事件因素影响，若只针对数据本身进行分析，很难准确预测未来的走势。在金融领域，各种金融事件的载体(例如，新闻、评论等资讯数据)，能够在一定程度上反映出市场走向与投资者的情绪，从而影响投资决策和市场走势。

对于金融事件的抽取，目前主要是依靠研究人员采用人工总结的方式来实现，这种人工总结方式不仅效率低下，且要求研究人员具有丰富的专业背景，门槛较高。

因而，如何提供一种自动抽取金融事件、自适应分析金融数据走势的分析方法，以提升金融数据预测的精确度与效率，是本领域亟待解决的技术问题。

发明内容

本发明实施例中提供了一种基于事件抽取的金融数据分析方法，用以解决现有技术中依靠人工总结方式抽取金融事件并对金融数据走势进行预测的方法，存在预测精确度和效率均比较低下的技术问题，该方法包括：获取资讯数据，资讯数据包含：多条资讯的资讯标题和对应的日期信息；从每条资讯的资讯标题中，抽取结构化的金融事件数据；将抽取的金融事件数据输入到预先训练好的金融主体情感分析模型中，输出每个金融事件的情感分类；统计各个情感分类对应的金融事件量，生成一个偏差向量，与待分析金融数据的特征向量进行融合，得到融合后的特征向量；将融合后的特征向量，输入到预先训练好的金融时间序列分析网络模型中，输出待分析金融数据的金融时间序列，其中，金融时间序列用于反映待分析金融数据的数据变化趋势。

本发明实施例中还提供了一种基于事件抽取的金融数据分析方法装置，用以解决现有技术中依靠人工总结方式抽取金融事件并对金融数据走势进行预测的方法，存在预测精确度和效率均比较低下的技术问题，该装置包括：数据获取模块，用于获取资讯数据，资讯数据包含：多条资讯的资讯标题和对应的日期信息；金融事件抽取模块，用于从每条资讯的资讯标题中，抽取结构化的金融事件数据；金融主体情感分析模块，用于将抽取的金融事件数据输入到预先训练好的金融主体情感分析模型中，输出每个金融事件的情感分类；特征转换模块，用于统计各个情感分类对应的金融事件量，生成一个偏差向量，与待分析金融数据的特征向量进行融合，得到融合后的特征向量；金融时间序列分析模块，用于将融合后的特征向量，输入到预先训练好的金融时间序列分析网络模型中，输出待分析金融数据的金融时间序列，其中，金融时间序列用于反映待分析金融数据的数据变化趋势。