[发明专利]融合网络特征的神经网络预测金融数据的方法

权利要求书

1.一种融合网络特征的神经网络预测金融数据的方法，其特征是，包括以下步骤：

S1：数据采集，包括动态数据和静态数据；

S2：数据集预处理，包含对数据缺失值和异常值处理；

S3：利用企业股价时间序列数据构建企业关系复杂网络；

S4：利用Louvain算法对网络进行社区划分得到节点的社区性质；

S5：根据企业相关性网络，利用PageRank算法企业相关性网络中节点的重要性进行计算，得到节点的PageRank值；

S6：根据相应的指标，对静态数据进行二次计算，构建因变量数据，构建指标体系时，借鉴多元统计理论中的指标评价原则，同时利用步骤S4和步骤S5中提取到的网络特征指标，进行指标融合，具体包含以下子步骤：

S6.1，增加上市企业的社区性质，采用One-Hot编码，将上市企业节点的社区的属性转化为多位二值型数据，进行变量维度扩充。

S6.2，增加上市企业的PageRank值，进行变量维度扩充。

S7：利用神经网络算法对企业收入能力预测评估。

2.如权利要求1所述的融合网络特征的神经网络预测金融数据的方法，其特征是，所述步骤S1中，所述动态数据为设定阶段内的股市中全部上市企业的市值，静态数据为企业的财务数据及整体市场数据即上市企业财务指标中的宏观因素。

3.如权利要求1所述的融合网络特征的神经网络预测金融数据的方法，其特征是，所述步骤S2中，对样本数据中的空值，采用中位数填充，并对数据进行最大最小法标准化处理，计算公式(1)如下：

其中z_ij代表对样本数据集第i个特征指标分别中的第j列数据，i、j分别为大于等于1的整数，z_imin和z_imax分别代表样本数据集第i个特征指标的最小值和最大值。

4.如权利要求1所述的融合网络特征的神经网络预测金融数据的方法，其特征是，所述步骤S3，包含以下子步骤：

S3.1，该步骤中以上市企业股票价格的时间序列作为该上市企业的动态特征，并计算上市企业之间特征的相关性，采用Pearson相关系数，计算公式(2)如下，假设v_i(t)为i股票在t时刻的收盘价，那此时i股票价值增益Δv_i(t)为：

其中t表示时间，Δt为取得此收益的时间段，，i、j分别为大于等于1的整数，则任意两种i,j股票之间的Pearson相关系数p_ij通过两个变量v_i、v_j之间的协方差和两者标准差乘积的比值计算得到，具体公式(3)如下：

S3.2，通过步骤S3.1得到两上市企业之间的连接关系E＝{e₁₁,e₁₂,…,e_ij}，其中p_ij代表i,j股票之间的Pearson相关系数，e_ij为上市企业之间存在关联关系，e为基础连接系数，得到表关系网络G＝(V,E,W)，其中V代表每个上市企业网络节点实体，E代表两上市企业之间的连边关系，W表示上市企业之间的权重关系，且i和j企业之间的权重关系W_ij的计算通式(4)为

w_ij＝e_ij*p_ij (4)

在这样的计算公式下，相关性强则存在强权连边，相关性弱则弱权连边。