基于新闻主题信息检索的金融时间序列预测方法

摘要

本发明公开了一种基于新闻主题信息检索的金融时间序列预测方法。首先对原始新闻数据提取词汇组合特征，并以新闻数据对金融时间序列的实时影响作为标记，训练支持向量机分类器作为预测模型；通过构建词频时间序列，有效度量词汇特征与时间序列的相关度，继而实现新闻主题与时间序列的相关度计算，由此查询与金融时间序列相关的新闻主题；通过对查询出的新闻数据提取词汇组合特征并输入预测模型，得到最终预测结果。本发明可有效预测新闻数据对金融时间序列的影响，帮助人们理解和把握两类数据之间的信息传递；在金融交易市场中，为投资者做舆情分析和投资决策提供了准确的指导。

主权项

一种基于新闻主题信息检索的金融时间序列预测方法，其特征在于，包括以下步骤：(1)数据预处理，具体包括以下子步骤：(1.1)构建上涨文本集合Rise_set与下跌文本集合Drop_set；(1.2)依次读取新闻数据库News_base的每个新闻文本D_i；(1.3)对D_i解析并分词；(1.4)除去D_i中所有停用词，并以D_i的发布时间作为时间戳t对其标记；(1.5)从时间序列数据库Series_base中读取时间戳t所在日期的金融时间序列T＝{(x₁,t₁),(x₂,t₂),...,(x_i,t_i),...,(x_n,t_n)}；(1.6)比较x₁与x_n的大小，标记D_i对T的作用类型effect，并根据effect选择将D_i加入Rise_set或Drop_set；(1.7)以时间戳t作为索引项，对文本数据库构建B⁺‑树索引I；(2)预测模型构建，具体包括以下子步骤：(2.1)从新闻数据库News_base中提取2‑词汇组合特征F，构建特征集合FS＝{F₁,F₂,...,F_i,...,F_N}，并构建特征矩阵RFM与DFM，分别存储特征F_i在Rise_set与Drop_set的出现次数；(2.2)基于二元正态分离(BNS)统计方法，从特征集合FS中选择具有显著预测性能的2‑词汇组合特征，并构建特征向量FV＝[F₁,F₂,...,F_m]；(2.3)基于tf‑idf表示方法，以FV的特征元素作为基本维度，为各新闻文本计算特征向量的tf‑idf表示；(2.4)以News_base中所有新闻文本的tf‑idf特征向量集合，及各新闻文本的作用类型effect集合作为训练集，基于统计学习理论训练支持向量机，作为金融时间序列的预测模型Φ；(3)时序相关新闻主题查询，具体包括以下子步骤：(3.1)设金融时间序列的最新采样值及采样时刻为(x_e,t_e)，以该时刻为终点，以t_e‑L+1时刻为起点，截取长度为L的金融时间序列作为查询时间序列Q，不失一般性，将Q表示为Q＝{(x₁,t₁),(x₂,t₂),...,(x_L,t_L)}；(3.2)词汇相关性度量，具体包括以下子步骤：(3.2.1)按照查询时间序列Q的时间戳顺序，依次从索引I中查询时间戳为t_i的文本集合C_i，构造Q的相关文本集合C＝{C₁,C₂,...,C_i,...,C_n}；(3.2.2)对每个文本子集C_i统计词频分布，为C的各词汇元素term_j构造词频时间序列TF_Seque_j；(3.2.3)基于动态时间弯曲距离，分别计算各词频时间序列TF_Seque_j与查询时间序列Q的相似度，作为相应词汇term_j与Q的相关度term_corr_j，并构造词汇相关度表table；(3.3)文本主题相关性度量，具体包括以下子步骤：(3.3.1)依次读取文本集合C的每个新闻文本D_i，计算其主题信息与查询时间序列Q的相关度topic_corr_i；(3.3.2)根据文本主题相关度topic_corr，对C的所有新闻文本按照由大到小的顺序排列，保留前k个文本作为查询结果Result；(4)金融时间序列预测，具体包括以下子步骤：(4.1)构建预测集合(4.2)依次读取Result的每个新闻文本D_i；(4.3)根据步骤(2.3)的特征表示方法，将D_i表示为tf‑idf特征向量fv_i；(4.4)将fv_i输入预测模型Φ，输出D_i的作用类型effect_i，加入Predict；(4.5)分别统计Predict中各种effect的数目，选择较多的作用类型作为最终预测结果。