一种基于多模态学习的自动化市场分析方法技术

本发明专利技术是一种基于多模态学习的自动化市场分析方法，先对学习装置进行训练，然后在实际使用中利用训练好的学习装置对市场进行预测；所述学习装置训练的方法为：首先采集市场的不同模态信息并对该信息进行标注；然后使用行情数据特征、文字特征的多示例生成方法将底层特征转换成为多示例包的形式；最后采用能够利用多种不同模态的多示例多标记学习方法对数据进行融合处理，进行多标记学习。本发明专利技术通过对市场的多个侧面信息进行获取，以更为全面的刻画市场的变动，能够更为准确的预测市场变化。利用多模态信息进行市场行情预测的方法，实施过程能够对不同模态的数据信息加以使用，适用性强，效果好。

【技术实现步骤摘要】
一种基于多模态学习的自动化市场分析方法
在本专利技术属于自动化市场分析方法领域，具体地说是基于多模态学习的自动化市场分析方法。
技术介绍
通过执行预先设定好的交易策略，利用计算机平台输入交易指令的算法交易已经成为目前主流的交易方式之一。考虑到市场微观结构的构成收到多种制约因素的限制，也即微观市场行情和多个不同的情报源相关。而目前的多数算法交易方法往往关注市场的一个侧面，例如价格或者相关新闻报道,仅仅考虑到单一因素，并且将其作为决定性因素加以考虑，这种方式导致了自动交易算法不能获取全面的市场信息，从而难以对市场的变化加以把握，这将导致市场变化预测的不准确，甚至对市场的变动作出错误的预测,进而使得风险提升。
技术实现思路
本专利技术要解决的技术问题是针对现有技术存在的不足，提出使用多模态学习技术对市场的多源制约因素加以后融合，进而提高预测准确度的基于多模态学习的自动化市场分析方法。本专利技术所要解决的技术问题是通过以下的技术方案来实现的，本专利技术是一种基于多模态学习的自动化市场分析方法，其特点是，先对学习装置进行训练，然后在实际使用中利用训练好的学习装置对市场进行预测；所述学习装置训练的方法为：首先采集市场的不同模态信息并对该信息进行标注；然后使用行情数据特征、文字特征的多示例生成方法将底层特征转换成为多示例包的形式；最后采用能够利用多种不同模态的多示例多标记学习方法对数据进行融合处理，进行多标记学习。本专利技术说的学习装置为支撑向量机SVM或者条件随机场CRF。本专利技术一种基于多模态学习的自动化市场分析方法技术方案中，进一步优选的技术方案是：所述市场的不同模态信息为市场行情数据或市场描述文字信息。本专利技术一种基于多模态学习的自动化市场分析方法技术方案中，进一步优选的技术方案是：所述学习装置训练的具体步骤如下：A、收集市场的多种模态信息，对搜集的对象进行人工标注；B、通过多示例生成方法将搜集的市场信息底层特征转化为多示例包的表示形式：{(x,t),y}，其中媒体对象标记为x，相应的其他模态信息记为t，人工标注标记为y；C、使用训练模型M训练收集的数据，得到相关的模型参数：标记生成式子模型参数α、βy；市场直接行情特征模态信息生成子模型参数βc；其他模态信息生成式子模型参数βt以及多模态输入隐变量控制模型参数η。本专利技术一种基于多模态学习的自动化市场分析方法技术方案中，进一步优选的技术方案是：学习装置的使用步骤如下：a、收集测试市场行情数据特征；b、通过多示例生成方法将市场行情的底层特征转化为多示例包的表示形式{(x)}或者{(x,t)}；c、使用训练模型M处理新市场特征I，输出预测标记y。本专利技术一种基于多模态学习的自动化市场分析方法技术方案中，进一步优选的技术方案是：所述训练模型M的生成式概率模型建模方法为：（1）令市场行情由主题模型生成，其中标记y由参数α通过LatentDirichletAllocation子模型和条件多项式分布参数βy生成；（2）令α′由标记先验分布决定；（3）令市场行情特征，即多示例包中的每个示例x都是由参数α′通过LatentDirichletAllocation参数η子模型和条件多项式分布参数βc生成；（4）令其他模态特征t同样由参数α′通过LatentDirichletAllocation子模阶段型和条件多项式分布参数βt生成，即两种模态特征x和t的主题由同样的参数α′决定，并且如若其他模态也是多示例包表示，则包中每个示例都均由上述模型生成。与现有技术相比，本专利技术通过对市场的多个侧面信息进行获取，以更为全面的刻画市场的变动，能够更为准确的预测市场变化。利用多模态学习技术对市场价格特征、新闻文字特征等多源信息进行融合，能够更为准确地对市场行情进行预测，提高算法交易策略的性能和准确度，降低风险，使其适用性强，效果好。具体实施方式以下进一步描述本专利技术的具体技术方案，以便于本领域的技术人员进一步地理解本专利技术，而不构成其权力的限制。实施例1，一种基于多模态学习的自动化市场分析方法，先对学习装置进行训练，然后在实际使用中利用训练好的学习装置对市场进行预测；所述学习装置训练的方法为：首先采集市场行情数据或市场描述文字信息等的不同模态的信息并对该信息进行标注；然后使用行情数据特征、文字特征的多示例生成方法将底层特征转换成为多示例包的形式；最后采用能够利用多种不同模态的多示例多标记学习方法对数据进行融合处理，进行多标记学习。实施例2，实施例1所述的基于多模态学习的自动化市场分析方法中：所述学习装置训练的具体步骤如下：步骤100，收集市场的多种模态信息，对搜集的对象进行人工标注；步骤101，通过多示例生成方法将搜集的市场信息底层特征转化为多示例包的表示形式：{(x,t),y}，其中媒体对象标记为x，相应的其他模态信息记为t，人工标注标记为y；步骤102，使用训练模型M训练收集的数据，得到相关的模型参数：标记生成式子模型参数α、βy；市场直接行情特征模态信息生成子模型参数βc；其他模态信息生成式子模型参数βt以及多模态输入隐变量控制模型参数η。所述训练模型M的生成式概率模型建模方法为：（1）（标记-主题子模型部分）令市场行情由主题模型生成，其中标记y由参数α通过LatentDirichletAllocation（LDA）子模型和条件多项式分布（参数βy）生成；（2）令α′由标记先验分布决定；（3）（标记-市场特征子模型部分）令市场行情特征，即多示例包中的每个示例x都是由参数α′通过LatentDirichletAllocation（LDA，参数η）子模型和条件多项式分布（参数βc）生成；（4）（标记-其他模态特征子模型部分）令其他模态特征t同样由参数α′通过LatentDirichletAllocation（LDA）子模阶段型和条件多项式分布（参数βt）生成，即两种模态特征x和t的主题由同样的参数α′决定，并且如若其他模态也是多示例包表示，则包中每个示例都均由上述模型生成。实施例3，实施例1和实施例2所述的基于多模态学习的自动化市场分析方法中：所述学习装置训练的具体步骤如下：学习装置的使用步骤如下：步骤200，收集测试市场行情数据特征（如果有其他模态的数据也进行收集）；步骤201，通过多示例生成方法将市场行情的底层特征转化为多示例包的表示形式{(x)}或者{(x,t)}；步骤202，使用训练模型M处理新市场特征I，输出预测标记y。所述训练模型M的生成式概率模型建模方法为：（1）（标记-主题子模型部分）令市场行情由主题模型生成，其中标记y由参数α通过LatentDirichletAllocation（LDA）子模型和条件多项式分布（参数βy）生成；（2）令α′由标记先验分布决定；（3）（标记-市场特征子模型部分）令市场行情特征，即多示例包中的每个示例x都是由参数α′通过LatentDirichletAllocation（LDA，参数η）子模型和条件多项式分布（参数βc）生成；（4）（标记-其他模态特征子模型部分）令其他模态特征t同样由参数α′通过LatentDirichletAllocation（LDA）子模阶段型和条件多项式分布（参数βt）生成，即两种模态特征x和t的主题由同样的参数α′决定，并且如若其他模态也本文档来自技高网...

【技术保护点】
一种基于多模态学习的自动化市场分析方法，其特征在于，先对学习装置进行训练，然后在实际使用中利用训练好的学习装置对市场进行预测；所述学习装置训练的方法为：首先采集市场的不同模态信息并对该信息进行标注；然后使用行情数据特征、文字特征的多示例生成方法将底层特征转换成为多示例包的形式；最后采用能够利用多种不同模态的多示例多标记学习方法对数据进行融合处理，进行多标记学习。

【技术特征摘要】
1.一种基于多模态学习的自动化市场分析方法，其特征在于，先对学习装置进行训练，然后在实际使用中利用训练好的学习装置对市场进行预测；所述学习装置训练的方法为：首先采集市场的不同模态信息并对该信息进行标注；然后使用行情数据特征、文字特征的多示例生成方法将底层特征转换成为多示例包的形式；最后采用能够利用多种不同模态的多示例多标记学习方法对数据进行融合处理，进行多标记学习；所述市场的不同模态信息为市场行情数据或市场描述文字信息；所述学习装置训练的具体步骤如下：A、收集市场的多种模态信息，对搜集的对象进行人工标注；B、通过多示例生成方法将搜集的市场信息底层特征转化为多示例包的表示形式：{(x,t),y}，其中媒体对象标记为x，相应的其他模态信息记为t，人工标注标记为y；C、使用训练模型M训练收集的数据，得到相关的模型参数：标记生成式子模型参数α、βy；市场直接行情特征模态信息生成子模型参数βc；其他模态信息生成式子模型参数β...

【专利技术属性】
技术研发人员：詹德川，周尚晨，
申请(专利权)人：苏州晨川通信科技有限公司，
类型：发明
国别省市：江苏;32