[发明专利]一种结合财经新闻的卷积神经网络股票价格波动预测方法

摘要

本发明提供一种结合财经新闻的卷积神经网络股票价格波动预测方法，本发明利用自然语言处理技术来提取相关新闻中的特征，从而分析、观测财经新闻与股票价格走势的关联程度。本文结合新闻报道的有效信息，提出了一种基于卷积神经网络的股票价格波动预测方法。首先，将新闻分词，并提取主要事件，利用出现次数最多的前3000个词语作为关键词，并使用Glove模型将其表示为低维稠密的词向量；其次，将新闻特征和股票价格对应起来，把时间划分成短、中、长三个时间段，用卷积神经网络来模拟新闻事件对股票价格变动的短期和长期影响；最后，通过训练好的模型预测股票的涨跌情况。

主权项

1.一种结合财经新闻的卷积神经网络股票价格波动预测方法，其特征在于，方法包括：步骤一：扫描语料库，预设关键词，设定扫描窗口长度，在设定的扫描窗口内配置共现矩阵；步骤二：基于共现矩阵配置共现概率；步骤三：将语料库中词语转化为索引矩阵，设定要保留的关键词个数，设定模型参数，基于共现概率定义词向量矩阵；将数据集中的数据切分成训练集和测试集两部分，利用索引与训练出来的关键词矩阵一一对应，获得数据集的词向量；步骤四：基于预测股价的涨跌作为一个分类问题，即涨和跌两类；将训练集和测试集的词向量矩阵载入卷积神经网络，新闻词向量和股票利用日期信息一一对应，利用股价的涨跌作为特征标签，将训练集和测试集分别提取出特征标签和类别标签；步骤五：预测模型的网络结构为5层，其中前两层为卷积层，第一层神经元个数为64个，卷积核大小为3*100，输入矩阵大小30*100，激活函数为ReLU函数，第二层卷积神经元个数为32个，卷积核大小为3*50，第三层为最大池化层，池化大小为18*1，利用18*1的窗口扫过矩阵，提取每个窗口中的最大值；得到一个新矩阵；第四层和第五层为全连接层，第四层的全连接层神经单元节点数为64，激活函数为ReLU函数；第五层激活函数则是softmax，是进行最后的分类，得到了每只股票后一天股价的涨跌情况。