[发明专利]一种基于用户画像和知识图谱的股票风险预测方法及系统

说明书

本申请公开了一种基于用户画像和知识图谱的股票风险预测方法及系统，包括以下步骤：利用股票领域相关文本数据和金融知识图谱，构建金融事件特征；利用用户画像和受影响的股票代码，构建用户投资特征；利用金融事件、金融知识图谱和股票数据的涨跌情况，标定股票风险值；将获得的所述金融事件特征和所述用户投资特征、股票风险值，关联最终形成训练集；将所述训练集，利用LSTM算法进行训练，形成基于用户画像和知识图谱的股票风险预测模型，最终根据投资用户的相关特征进行股票风险信息预测。本发明组合金融事件特征和用户投资特征，训练LSTM模型，实现投资者持有股票的股票风险预测，可以为用户提供个性化股票风险提示。

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于用户画像和知识图谱的股票风险预测方法及系统。

背景技术

在多种应用场景中，需要对各类事件进行研究和风险预测，例如，确定某互联网公司用户信息泄露事件对网络安全方面的影响度和风险度等等。预测事件对于股票风险的影响方面，主要的方法为：传统模型法和时间序列预测方法。其中，传统模型法包括两类：定量方法和定性方法。

1、传统模型法：定量的方法常常使用量化方式进行舆情因子挖掘，构建基于算法的舆情量化因子，也就是，先将事件因子化，并通过一些定量指标，例如该事件后预定时间内历史投资收益的高低，来衡量事件的影响和风险度。定性的方法往往通过人工标注的方式，由人工完成事件的定义、风险程度分析。

2、时间序列预测：时间序列预测法其实是一种回归预测方法，其基本原理是:一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。

但是，上述预测方法存在如下缺陷：

1、传统模型法：

定量分析的方案往往缺少对事件类型的细致划分，丢失了事件的逻辑脉络，可解释性不强。

定性分析，这个过程需要很强的专业分析，需要逐个事件单独分析，未能系统化、自动化，导致分析效率低。并且,分析结果是否正确依赖于分析人员的主观经验是否能覆盖事件的关键属性特征。此外，定性分析的结论往往只能到正负面的方向判断，对于影响程度的判断无法量化，带有很强的主观性。

2、时间序列预测：

模型单一化、针对股票价格变化，或其基本面影响因子进行预测研究，没有充分考虑金融事件对于股票风险的影响，不能针对用户的风险偏好，为所投资的股票进行风险预测。

发明内容

为了解决背景技术中提出的现有技术的问题，本申请提供一种基于用户画像和知识图谱的股票风险预测方法及系统。

本申请实施例提供一种基于用户画像和知识图谱的股票风险预测方法，包括以下步骤：

利用股票领域相关文本数据和金融知识图谱，构建金融事件特征；

利用用户画像和受影响的股票代码，构建用户投资特征；

利用金融事件、金融知识图谱和股票数据的涨跌情况，标定股票风险值；

将获得的所述金融事件特征和所述用户投资特征，根据股票代码进行关联，形成训练集的特征部分；再将训练集的特征部分与所述股票风险值，根据股票代码进行关联，最终形成训练集；

将所述训练集，利用LSTM算法进行训练，形成基于用户画像和知识图谱的股票风险预测模型；

将某个待预测投资用户的投资特征和下一时刻的金融事件特征，输入到基于用户画像和知识图谱的股票风险预测模型，为该投资用户投资的股票进行下一时刻的风险值预测，输出该投资用户投资的股票风险值；