[发明专利]一种结合网络舆情和相依性的股票价格预测方法

说明书

本发明涉及一种结合网络舆情和相依性的股票价格预测方法，包括以下步骤：利用爬虫技术获取网络上股票的评价信息；构建并训练股票评价的CNN特征提取模型和具有多通道注意力机制的LSTM分类模型；爬取待预测价格股票的评价信息并进行情感分类；借助高斯混合Copula函数选取与待预测价格股票具有强相依性的股票；获取影响该股票收盘价的主要因素；将情感分类结果、具有强相依性的股票的上期收盘价、主要影响因素的上期数值输入到BiLSTM模型中，对待预测价格股票的本期收盘价进行预测。相比于现有方法，本发明综合考虑网络舆情、其他股票的相关信息以及影响本股票收盘价的主要因素，进一步提高了对股票收盘价预测的准确性。

技术领域

本发明属于股价预测领域，具体涉及一种结合网络舆情和相依性的股票价格预测方法。

背景技术

随着金融市场的飞速发展，股民对股票的热爱程度日益增强，股票预测领域也得到了显著的突破。股票市场不是一个纯粹的随机过程，这使得我们去猜想时间序列可能具有某种隐藏模式，为了发掘和利用这些隐藏模式，LSTM深度网络是主要的候选方法，同时考虑到序列的前后信息问题，于是通常采用BiLSTM模型对股票价格做预测。目前为止，BiLSTM在经典的统计时间序列方法上提供了显著的进步，能够非线性地建模关系并且能够以非线性方式处理具有多个维度的数据。

发明内容

为进一步提高股票价格预测的准确性，本发明提供一种结合网络舆情和相依性的股票价格预测方法，采用以下技术方案：

一种结合网络舆情和相依性的股票价格预测方法，包括以下步骤：

步骤1：利用爬虫技术爬取实时的网络舆情数据，以获取网络上股票的评价信息；

步骤2：利用步骤1中获取的股票的评价信息，构建并训练股票评价的CNN特征提取模型和具有多通道注意力机制的LSTM分类模型；

步骤3：爬取待预测价格股票的评价信息，利用CNN特征提取模型和具有多通道注意力机制的LSTM分类模型对该股票进行情感分类；

步骤4：借助高斯混合Copula函数选取与待预测价格股票具有强相依性的股票；

步骤5：获取待预测价格股票的历史数据，利用SLLE算法提取历史数据的特征并进行PCA降维，得到影响该股票收盘价的主要因素；

步骤6：将步骤3中的情感分类结果、步骤4中具有强相依性的股票的上期收盘价、步骤5中的主要影响因素的上期数值输入到BiLSTM模型中，对待预测价格股票的本期收盘价进行预测。

进一步地，步骤1中，根据爬取状态将股票分为三种状态：outstanding-等待爬取的股票，complete-爬取完成的股票，processing-正在爬取的股票；所有股票的初始状态均为outstanding，若开始爬取某股票的网络舆情数据则将其状态切换为processing，若某股票的网络舆情数据爬取完成则将其状态切换为complete，若某股票处于processing状态的时间超过一定阈值则将其状态重置为outstanding。

进一步地，步骤1中，利用PageRank算法搭建爬虫框架，爬取网页中的非结构化数据。

进一步地，所述爬虫框架中，用户访问网页的方式为链接跳转和网址输入，用户访问网页的PR值为：

式中，PR(u)、PR(v)分别表示网页u和网页v的PR值，B_u为对网页u有出链的网页的集合，L(v)表示网页v的出链数目，N为链出网页总数，d为阻尼因子，表示用户通过链接跳转访问网页的概率。

进一步地，所述阻尼因子d＝0.85。