一种多模型标的物行情预测方法和装置制造方法及图纸

本发明专利技术提供了一种多模型标的物行情预测方法和装置，属于人工智能，该方法包括：获取标的物历史数据；将标的物历史数据进行预处理，确定预处理数据；对预处理数据进行特征提取，建立预测模型；将预处理数据分为训练集和测试集，利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型；根据测试集分别确定上述三个模型各自的预测结果准确率；根据三个模型各自的预测结果准确率，对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重，加权平均后预测当前标的物行情，确定当前标的物行情预测结果。本发明专利技术有效提升了标的物的预测准确率。明有效提升了标的物的预测准确率。明有效提升了标的物的预测准确率。

【技术实现步骤摘要】
一种多模型标的物行情预测方法和装置


[0001]本专利技术涉及计算机数据处理
，尤其涉及一种多模型标的物行情预测方法和装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]近年来，随着大数据、分布式、人工智能技术的发展，各大金融产业相关企业也都纷纷发力该
的标的物行情预测的研究。
[0004]目前，现有技术主要采集标的物历史技术指标信息进行机器学习建模分析来预测标的物行情走势，由于标的物的行情走势具有很大的不确定性，它不仅受标的物本身历史走势、技术指标等客观因素影响，更会受到舆论、人的情绪等主关因素影响，因此单一依靠标的物历史走势和技术指标数据来建模预测行情难以还原标的物行情预测的复杂性，影响预测的准确率。
[0005]因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。

技术实现思路

[0006]本专利技术实施例提供一种多模型标的物行情预测方法，有效提升了标的物的预测准确率，该方法包括：
[0007]获取标的物历史数据；
[0008]将标的物历史数据进行预处理，确定预处理数据；
[0009]对预处理数据进行特征提取，建立预测模型；
[0010]将预处理数据分为训练集和测试集，利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型；
[0011]根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率；
[0012]根据三个模型各自的预测结果准确率，对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重，加权平均后预测当前标的物行情，确定当前标的物行情预测结果。
[0013]本专利技术实施例还提供一种多模型标的物行情预测装置，包括：
[0014]标的物历史数据获取模块，用于获取标的物历史数据；
[0015]预处理模块，用于将标的物历史数据进行预处理，确定预处理数据；
[0016]特征提取模块，用于对预处理数据进行特征提取，建立预测模型；
[0017]模型训练模块，用于将预处理数据分为训练集和测试集，利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型；
[0018]预测结果准确率确定模块，用于根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率；
[0019]当前标的物行情预测模块，用于根据三个模型各自的预测结果准确率，对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重，加权平均后预测当前标的物行情，确定当前标的物行情预测结果。
[0020]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种多模型标的物行情预测方法。
[0021]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述一种多模型标的物行情预测方法的计算机程序。
[0022]本专利技术实施例提供的一种多模型标的物行情预测方法和装置，包括：首先获取标的物历史数据；然后将标的物历史数据进行预处理，确定预处理数据；接着对预处理数据进行特征提取，建立预测模型；继续将预处理数据分为训练集和测试集，利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型；下一步根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率；最后根据三个模型各自的预测结果准确率，对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重，加权平均后预测当前标的物行情，确定当前标的物行情预测结果。针对不同类型的标的物历史数据进行数据预处理、特征工程等操作，搭建模型，从多维度为用户提供行情智能预测，不仅包含传统的通过历史技术指标方式预测行情，还包括了基于资讯的行情预测以及用户的交易情绪分析，训练得到基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型，通过对三个模型进行权重分配完成标的物行情预测，最终的预测结果是由前述三个模型的预测准确率的不同分配不同的权重加权平均得到，有效提升了标的物的预测准确率。本专利技术除了应用了标的物历史技术指标作为数据采集对象之外还将实时资讯信息和用户情绪纳入数据采集范畴，增加了模型的可信度和准确率。本专利技术从多维度为用户提供行情智能预测，能够为用户提供更多的标的物投资预测信息，让用户多方位、多维度地了解产品的行情走势分析，有效提升用户体验、用户粘性，进一步吸引用户，为实现客户的深度转化提供可能。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0024]图1为本专利技术实施例一种多模型标的物行情预测方法示意图。
[0025]图2为本专利技术实施例一种多模型标的物行情预测方法的确定基于技术指标的行情预测模型过程示意图。
[0026]图3为本专利技术实施例一种多模型标的物行情预测方法的确定基于资讯的行情预测
模型过程示意图。
[0027]图4为运行本专利技术实施的一种多模型标的物行情预测方法的计算机装置示意图。
[0028]图5为本专利技术实施例一种多模型标的物行情预测装置示意图。
具体实施方式
[0029]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0030]本专利技术属于人工智能。图1为本专利技术实施例一种多模型标的物行情预测方法示意图，如图1所示，本专利技术实施例提供一种多模型标的物行情预测方法，有效提升了标的物的预测准确率，该方法包括：
[0031]步骤101：获取标的物历史数据；
[0032]步骤102：将标的物历史数据进行预处理，确定预处理数据；
[0033]步骤103：对预处理数据进行特征提取，建立预测模型；
[0034]步骤104：将预处理数据分为训练集和测试集，利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型；
[0035]步骤105：根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模型标的物行情预测方法，其特征在于，包括：获取标的物历史数据；将标的物历史数据进行预处理，确定预处理数据；对预处理数据进行特征提取，建立预测模型；将预处理数据分为训练集和测试集，利用训练集确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型；根据测试集分别确定基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型三个模型各自的预测结果准确率；根据三个模型各自的预测结果准确率，对基于技术指标的行情预测模型、基于资讯的行情预测模型和基于用户猜涨跌交易情绪模型分配权重，加权平均后预测当前标的物行情，确定当前标的物行情预测结果。2.如权利要求1所述的方法，其特征在于，获取标的物历史数据，包括：连接数据采集系统，获取包括标的物技术指标、资讯基础数据和用户猜涨跌相关数据的标的物历史数据。3.如权利要求2所述的方法，其特征在于，获取标的物技术指标，包括：连接数据采集系统，对接标的物的行情信息接口，获取标的物技术指标；其中，标的物技术指标，包括：数据采集系统计算和保存的包括现货、期货和股票的标的物缓存数据和技术指标数据。4.如权利要求2所述的方法，其特征在于，获取资讯基础数据，包括：连接数据采集系统，对接标的物相关资讯接口，获取资讯基础数据；其中，资讯基础数据，包括：历史财经报道，政治事件对贵金属、原油行情的影响，用户发布的对行情的讨论，行业认证权威发布的交易策略以及热点事件分析观点，外部行情分析资讯。5.如权利要求2所述的方法，其特征在于，获取用户猜涨跌相关数据，包括：连接数据采集系统，对接用户历史交易接口，获取包括用户看涨或看跌结果的用户猜涨跌相关数据。6.如权利要求2所述的方法，其特征在于，将标的物历史数据进行预处理，确定预处理数据，包括：将标的物技术指标、资讯基础数据和用户猜涨跌相关数据进行预处理，得到达到机器学习算法输入标准的预处理数据。7.如权利要求6所述的方法，其特征在于，确定基于技术指标的行情预测模型，包括：根据需要预测的时间长度维度，取不同维度的特征输入数据；根据不同维度的特征输入数据，利用CNN卷积神经网络算法进行试验调参，利用训练集对预测模型进行训练，通过调参学习，确定基于技术指标的行情预测模型。8.如权利要求6所述的方法，其特征在于，将资讯基础数据进行预处理，包括：结合专业背景知识，对资讯基础数据进行打标签处理，确定预处理的资讯基础数据；其中，打标签处理，包括：从资讯基础数据中选中一段资讯进行打标签处理，选中的这一段资讯可以包括多个标签。9.如权利要求8所述的方法，其特征在于，确定基于资讯的行情预测模型，包括：对标的物进行标签化处理，将标的物进行分类；
使用资讯基础数据的标签作为输入数据，标的物所处分类的类别的涨跌作为学习目标，将预处理的资讯基础数据分为训练集和测试集，采用CNN卷积神经网络结合训练集对预测模型进行训练，确定基于资讯的行情预测模型。10.如权利要求6所述的方法，其特征在于，确定基于用户猜涨跌交易情绪模型，包括：从用户猜涨跌相关数据中提取每个用户参与过的猜涨跌交易行为结果；以每个用户参与过的猜涨跌交易行为结果为基准，将猜涨跌的正确率、参与率作为考量数据，设置初始权重，采用逻辑回归算法进行建模，对于正确率、参与率高于预设阈值的数据，动态调整权重，回归用户猜涨跌历史数据，确定基于用户猜涨跌交易情绪模型。11.一种多模型标的物行情预测装置，其特征在于，包括：标的物历史数据获取模块，用于获取标的物历史数据；预处理模块，用于将标的物历史数据进行预处理，确定预处理数据；特征提取模块，用于对预处理数据进行特征提取，建...

【专利技术属性】
技术研发人员：龚孟旭，陈冰，于娇，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：