[发明专利]基于人工智能的趋势预测方法及装置

权利要求书

1.一种基于人工智能的趋势预测方法，其特征在于，所述方法包括：

确定待预测的候选对象；

提取所述候选对象的历史收益信息和历史舆情信息；

将所述历史收益信息和所述历史舆情信息输入到股票预测模型，其中，所述股票预测模型是采用Encode-Decode自编码算法训练得到的；

使用所述股票预测模型预测所述候选对象的未来收益信息。

2.根据权利要求1所述的方法，其特征在于，在将所述历史收益信息和所述历史舆情信息输入到股票预测模型之前，所述方法还包括：

采集股票样本在预定周期内的股票数据，其中，所述股票数据包括第一时间段的收益信息、第一时间段的舆情信息，以及第二时间段的收益信息，其中，所述第二时间段在第一时间段的自然时间之后，所述股票样本在所述第二时间段的收益情况符合预定条件；

将所述第一时间段的收益信息和所述第一时间段的舆情信息作为输入标签数据，所述第二时间段的收益信息作为输出标签数据，采用Encode-Decode算法训练初始模型，得到所述股票预测模型。

3.根据权利要求2所述的方法，其特征在于，采用Encode-Decode算法训练初始模型包括：

将所述第一时间段的收益信息和所述第一时间段的舆情信息压缩到所述初始模型的隐藏层，在隐藏层对所述输入标签数据进行编码，输出第一数据；

将所述第一数据解压到所述初始模型的输出层，在输出层对所述第一数据进行解码，输出第二数据，其中，所述隐藏层与所述输出层相连；

将所述第二数据乘以损失函数，得到第三数据；

将所述输入标签数据更新为所述第三数据，并结合所述输出标签数据训练初始模型，得到所述股票预测模型。

4.根据权利要求3所述的方法，其特征在于，在隐藏层对所述输入标签数据进行编码包括：

采用以下函数对所述输入标签数据进行编码：

h₁＝f(xW₁+b₁)，其中，x是输入标签数据，W₁是第一层网络权重，b₁是偏差，h₁是第一数据。

5.根据权利要求3所述的方法，其特征在于，在输出层对所述第一数据进行解码包括：

采用以下函数对所述第一数据进行解码：

O₂＝g(h₁W₂+b₂)，其中，h₁是第一数据,O₂是第二数据，W₂是第二层网络权重，b₂是偏差。

6.根据权利要求3所述的方法，其特征在于，将所述第二数据乘以损失函数包括：

将所述第二数据乘以以下损失函数：

其中，ε为损失量，O₂是第二数据，x是输入标签数据。

7.根据权利要求1所述的方法，其特征在于，使用所述股票预测模型预测所述候选对象的未来收益信息包括：

使用所述历史收益信息和所述历史舆情信息基于所述Encode-Decode算法构建所述候选对象的价格特征信息，其中，所述价格特征信息用于表征所述候选对象的多个未来收益率的概率曲线；

根据所述概率曲线在收益区间中选择概率最高的收益率确定为所述候选对象的未来收益率。

8.一种基于人工智能的趋势预测装置，其特征在于，所述装置包括：

确定模块，用于确定待预测的候选对象；

提取模块，用于提取所述候选对象的历史收益信息和历史舆情信息；

输入模块，用于将所述历史收益信息和所述历史舆情信息输入到股票预测模型，其中，所述股票预测模型是采用Encode-Decode自编码算法训练得到的；

预测模块，用于使用所述股票预测模型预测所述候选对象的未来收益信息。