【技术实现步骤摘要】
本专利技术涉及股市风险分析，特别是一种基于半监督时空图神经网络的大股东减持风险分析方法。
技术介绍
1、目前已有研究主要通过传统经济学方法和统计模型进行股市波动分析，如kaustia和rantala(2015)、brid edwards和ruchti(2018)等研究了大股东减持行为对股市的影响。但这些方法在高维数据和复杂关联性分析上存在限制。虽然深度学习方法已被尝试应用，如ali和hirshleifer(2020)的研究，但这些方法在解释性方面的不足限制了其在股市风险分析中的实际应用。
2、现有技术中，图神经网络在处理股市风险方面已有应用，但大多数关注于静态空间数据处理，而非动态时空数据，如wei chen和manrui jiang(2021)。这限制了它们在动态市场风险分析中的能力和提取关键的邻居节点信息。现有gnn模型通常无法有效解释风险传播路径和影响因素。
3、而现有技术主要缺点在于难以有效处理和解释动态时空关系数据，特别是在复杂且高度关联的股市环境中。此外，深度学习方法在解释性方面的不足限制了它们在风险分析中的应用。由于这些限制，现有技术难以提供深入的大股东减持行为及其市场影响的分析和预测。
技术实现思路
1、为解决现有技术中存在的问题，本专利技术的目的是提供一种基于半监督时空图神经网络的大股东减持风险分析方法，本专利技术通过构建一个新型的空间-时间图学习网络并融合注意力机制，结合图形向量自回归模型，提高风险分析的准确性和解释性。
2、
3、步骤1、数据收集与数据预处理；
4、步骤2、利用预处理后的数据，构建一个能够反映股市各实体间动态关系的图神经网络；
5、步骤3、在构建的图神经网络的基础上，应用时空图学习网络方法stl进行深入分析；
6、步骤4、引入半监督学习，对图神经网络在有限的标注数据下进行训练；
7、步骤5、通过图形向量自回归模型var解释大股东减持行为对股市的影响，包括风险的传播路径和关键影响因素分析。
8、作为本专利技术的进一步改进，在步骤1中，数据收集包括从各种来源收集股市数据、各大股东持股关系及其他经济指标；数据预处理包括数据清洗、规范化和结构化。
9、作为本专利技术的进一步改进，所述步骤2具体包括以下步骤：
10、步骤2.1、定义节点和边的定义：定义图神经网络的节点代表股票和股东，边代表股东对股票的增持、减持或持股不变的关系；每个边上的权重反映了股东持股比例的变化，从而捕捉市场动态；
11、步骤2.2、构建图结构：利用预处理后的数据，根据数据的持股关系构建了持股网络图，其中包括时间步的概念；每个时间步对应一个季度的持股情况，节点状态随时间变化而更新，以捕捉股市的动态特性；
12、步骤2.3、特征表示：每个节点的特征向量由节点本身具有的属性构成，对于数值类的数据不作处理，对于文本类的数据，首先需要把文本转换为onehot编码，并且，使用自编码器来提取高维数据的低维表示；
13、步骤2.4、图神经网络的结构：首先继承torch下面的nn模块，通过定义多个线性层并赋予每种关系类型独特的关系权重和消息传递参数，使得网络能够学习并表达股市各实体间的动态关系；此外，通过采用多头注意力机制，模型在处理和集成信息时能够关注到不同类型关系的细微差别，从而精确捕捉影响股市变化的关键因素。
14、作为本专利技术的进一步改进，所述步骤3具体包括以下步骤：
15、步骤3.1、空间维度学习：在空间维度上，首先将股票和股东之间的多种关系映射到一个高维空间，使用不同的关系权重和类型特定的注意力参数；
16、步骤3.2、时间维度学习：在时间维度上，学习股票和股东持股关系随时间的变化模式；
17、步骤3.3、时空特征融合：将空间维度和时间维度的特征进行融合，生成同时表达空间位置和时间动态的综合特征向量；
18、步骤3.4、图结构的恢复与特征提取：通过学习的特征表示，stl方法试图恢复或近似原始的图结构，即图重建。
19、作为本专利技术的进一步改进，所述步骤3.1具体如下：
20、针对每一类型的边缘，利用多头注意力机制并行计算节点的影响力；其中，注意力头部attention heads数目n_heads决定了模型能同时学习多少种不同的关系模式；
21、对于每个头部，计算query、key和value矩阵，这些矩阵通过self.k_linears,self.q_linears,self.v_linears对应的线性层生成；使用这些矩阵计算每个头部的注意力分数，并对不同类型的关系分配不同的注意力权重；
22、通过加权求和和归一化操作，模型为每个节点生成了融合了其邻居信息的综合特征表示。
23、作为本专利技术的进一步改进，所述步骤3.2具体如下：
24、通过对节点在连续时间点的表示进行操作，捕捉事件如何随时间发展；整合时间信息，通过时间编码向量pet将时间信息融入节点特征中。
25、作为本专利技术的进一步改进，所述步骤4具体包括以下步骤：
26、步骤4.1、基于分布的无监督检测：假设股份减持风险被划分为k个等级，表示为代表不同程度的风险；令χ＝{x1,…,xn}表示从stl网络获得的用于识别股份减持风险k个等级的特征向量样本；假设特征向量样本来自于具有参数的高斯混合分布，其中(θ0)是真实参数，且pdata为真实分布；构建一个具有参数集θ的密度估计网络(den)得到pmodel(x|θ)，以逼近pdata(x|θ0)实现pmodel映射为pdata，最小化以下kullback-leibler散度：
27、
28、在通过神经网络算法获得相应的股份风险类别分类概率后，使用的大小来确定xi的股份风险类别；即有是μk的一个估计；
29、步骤4.2、利用部分标记数据：χk代表真正属于第k类风险类别的特征向量样本集；让代表不属于第k类风险类别的特征向量样本集，满足表示空集；然后将重写为:
30、
31、其中，ia(·)是一个指示函数，表示对于一个非空集合在无监督学习的基础上引入有标记的数据进行半监督训练；此时，原始数据集被分为两类：标记数据集dl和未标记数据集du，其中|dl|＜＜|du|并且|dl|+|du|＝n；然后可以被写为：
32、
33、作为本专利技术的进一步改进，所述步骤5具体如下：
34、采用图形向量自回归模型var捕捉和分析股权减持风险的传播路径，通过估计沿风险传播路径的影响系数来实现；首先将股权关系网络转换为线图，再利用graphical var模型来模拟线图，并估计风险传播路径的影响系数；最终，通过揭示最强的影响系数来识别风险传播路径。本文档来自技高网...
【技术保护点】
1.一种基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，在步骤1中，数据收集包括从各种来源收集股市数据、各大股东持股关系及其他经济指标；数据预处理包括数据清洗、规范化和结构化。
3.根据权利要求1所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，所述步骤2具体包括以下步骤：
4.根据权利要求3所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，所述步骤3具体包括以下步骤：
5.根据权利要求4所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，所述步骤3.1具体如下：
6.根据权利要求4所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，所述步骤3.2具体如下：
7.根据权利要求4所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，所述步骤4具体包括以下步骤：
8.根据权利要求7所述的基于半监督时空图神经
...【技术特征摘要】
1.一种基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，在步骤1中，数据收集包括从各种来源收集股市数据、各大股东持股关系及其他经济指标；数据预处理包括数据清洗、规范化和结构化。
3.根据权利要求1所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在于，所述步骤2具体包括以下步骤：
4.根据权利要求3所述的基于半监督时空图神经网络的大股东减持风险分析方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。