[发明专利]基于深度学习的股票数据分析方法和装置

说明书

本发明公开了一种基于深度学习的股票数据分析方法，获取多支股票的收盘价及与其相关联的数据，相关联的书为论坛中股民对股票的评论信息；对获取的多支股票的收盘价及与其相关联的数据处理，并完成训练数据与测试数据的划分；根据训练数据对与多支股票相关联的数据建模生成第一模型，第一模型是一个情感分类模型，并对其训练；基于第一模型，根据训练数据对多支股票的收盘价建模生成第二模型，第二模型是用来预测股价涨跌，并对其训练；根据训练完成的第二模型对股票信息分析。该方法更高效地处理文本信息，提取出有用的信息，更精准地对股票市场预测。具有应用的高效性与易用性。本发明还公开了基于深度学习的股票数据分析装置。

技术领域

本发明涉及自然语言技术领域，特别是涉及一种基于深度学习的股票数据分析方法和装置。

背景技术

使用文本倾向性信息对金融相关指标进行预测在国内外都属于热门领域。来自美国印第安纳大学的Johan Bollen做过关于公众情绪对股市波动预测的相关研究，他们从Twitter上采集海量的“推文”，作为公众情绪的来源。然后通过情绪信息来进行金融市场来进行预测，并且取得了一些相关的研究成果。

在传统的金融领域相关研究中，更加注重的是金融方面的知识和人工对文本信息进行的加工判别。传统的人工理解方式效率低下，数据量小，而应用机器学习的相关算法和文本挖掘技术可以减少人工工作量，有效快速提取文本中情绪信息，从而把情绪因素加入到股价预测模型中，研究情绪对股价波动的影响。所以利用自然语言处理和文本情感分析技术从公众论坛信息中获取投资者情绪，并分析投资者的情绪指数对股票指数和金融波动的影响还是很有必要的。

发明内容

基于此，有必要针对传统技术存在的问题，提供一种基于深度学习的股票数据分析方法和装置。具体的，在本发明中，不仅使用传统的机器学习方法，还引入深度学习的手段，利用深度学习强大的学习能力，能够更好地学习到金融市场的规律。即为了使用自然语言的手段，通过分析社会舆论信息，挖掘出里面情感倾向信息，来帮助股票市场的预测。在传统的金融领域的相关研究中，主要是依靠金融方面的知识系统和人工对文本信息的加工处理，这种方式效率低下，而使用机器学习和人工智能的手段可以更好地更加高效地处理这些文本信息，提取出有用的信息，更好地对股票市场进行预测。

第一方面，本发明实施例提供了一种基于深度学习的股票数据分析方法，所述方法包括：获取多支股票的收盘价以及与所述多支股票相关联的数据；对获取的所述多支股票的所述收盘价以及与所述多支股票相关联的数据进行处理，并完成训练数据与测试数据的划分操作；根据所述训练数据对与所述多支股票相关联的数据建立模型，生成第一模型，并对所述第一模型进行训练；基于训练完成的所述第一模型，根据所述训练数据对所述多支股票的所述收盘价建立模型，生成第二模型，并对所述第二模型进行训练；根据训练完成的所述第二模型对股票信息进行分析。

在其中一个实施例中，还包括：根据所述测试数据对训练完成的所述第二模型进行测试效果评价操作。

在其中一个实施例中，所述获取多支股票的收盘价以及与所述多支股票相关联的数据包括：利用爬虫技术从web端获取预设时间周期内所述多支股票的所述收盘价；利用爬虫技术从web端获取预设时间周期内与所述多支股票相关联的数据，其中，所述多支股票相关联的数据为股民对股票的评论信息。

在其中一个实施例中，对获取的所述多支股票的所述收盘价以及与所述多支股票相关联的数据进行处理包括：将预设时间周期内获取的所述多支股票的所述收盘价处理为涨跌比幅的形式；对预设时间周期内获取的与所述多支股票相关联的数据进行情感标注处理，其中，所述情感标注处理为通过人工方式进行标注，对标注的评论信息根据预设阈值划分为正向感情倾向、负向感情倾向以及中性感情倾向。

在其中一个实施例中，还包括：对预设时间周期内获取的与所述多支股票相关联的数据进行分词处理；当分词处理中出现停用词，则对所述停用词进行去除操作。