一种基于事件域递阶交互模型的分析师观点预测方法
本发明涉及金融分析,特别是涉及一种基于事件域递阶交互模型的分析师观点预测方法。
背景技术:
1、证券分析师是金融市场中的重要信息中介,其发布的研究报告和投资观点对投资者的决策具有重要影响。分析师通过对上市公司的深入研究,向市场传递关于公司价值、行业趋势和投资机会的专业判断。然而,由于分析师的个体差异、信息获取渠道的不同以及市场环境的动态变化,不同分析师的观点质量和观点方向存在显著差异。因此,如何准确预测分析师未来的观点变化,成为金融数据分析领域的一个重要研究课题。
2、传统的分析师观点预测方法主要依赖于对历史观点的简单统计和外推,如基于分析师历史准确率的加权平均方法、基于一致预期的方法等。这些方法虽然在一定程度上能够反映分析师的总体趋势,但存在以下不足:第一,忽视了分析师观点形成过程中各类事件因素(如公司事件、行业事件、宏观事件)的复杂交互作用;第二,缺乏对分析师个体行为模式和市场事件之间关联关系的深度建模;第三,难以捕捉分析师观点在时间维度上的演化规律和动量效应。
3、因此,亟需一种基于事件域递阶交互模型的分析师观点预测方法,以对分析师未来观点进行准确预测。
技术实现思路
1、本发明的目的是提供一种基于事件域递阶交互模型的分析师观点预测方法,旨在解决传统预测方法单一、易忽视个人与事件的多因素交互作用、缺乏个体与市场深度联系的问题。
2、本发明提供了一种基于事件域递阶交互模型的分析师观点预测方法,包括:
3、获取目标分析师的历史观点数据及对应的市场事件数据;
4、根据所述历史观点数据和市场事件数据进行事件域分类,得到分析师事件域、预测事件域和股票事件域,并确定每个事件域的特征表示;
5、以三个事件域的特征表示作为一阶事件域,通过递阶交互模式对三个事件域特征表示进行多层级遍历交互,确定多阶事件域交互特征;
6、基于所述多阶事件域交互特征和预先构建的分析师观点预测模型预测目标分析师对目标股票的观点倾向及观点强度,并根据所述观点倾向和观点强度生成分析师观点预测结果。
7、优选的,所述历史观点数据包括分析师对目标股票的历史评级、历史盈利预测值及历史目标价;
8、所述市场事件数据包括上市公司公告事件、行业政策事件和宏观经济事件。
9、优选的,根据所述历史观点数据和市场事件数据进行事件域分类,得到分析师事件域、预测事件域和股票事件域,包括:
10、基于所述历史观点数据提取分析师个体特征和行为模式,构建分析师事件域,所述分析师事件域包括分析师历史准确率、分析师历史乐观度、分析师评级调整频率和分析师所属机构特征;
11、基于所述历史观点数据中的历史盈利预测值及其与实际值的偏差,构建预测事件域,所述预测事件域包括预测偏差序列、预测修正方向和预测修正幅度;
12、基于所述市场事件数据提取与目标股票相关的事件信息,构建股票事件域,所述股票事件域包括上市公司业绩公告事件、并购重组事件、管理层变动事件和行业政策变动事件。
13、优选的,以三个事件域的特征表示作为一阶事件域,通过递阶交互模式对三个事件域特征表示进行多层级遍历交互,确定多阶事件域交互特征,包括:
14、将分析师事件域特征表示、预测事件域特征表示和股票事件域特征表示设为一阶事件域;
15、在第一阶交互中,从三个一阶事件域中任选两个事件域进行两两交互,生成三个二阶事件域交互特征;
16、在第二阶交互中,将每个二阶事件域交互特征与剩余的一个一阶事件域进行交互,生成三个三阶事件域交互特征;
17、对所述三个三阶事件域交互特征进行融合,确定多阶事件域交互特征。
18、优选的,基于所述多阶事件域交互特征和预先构建的分析师观点预测模型预测目标分析师对目标股票的观点倾向及观点强度,包括:
19、所述分析师观点预测模型包括观点倾向预测分支和观点强度预测分支,所述观点倾向预测分支采用分类网络,所述观点强度预测分支采用回归网络;
20、将所述多阶事件域交互特征输入所述观点倾向预测分支,预测目标分析师在未来时间窗口内对目标股票的观点倾向类别,所述观点倾向类别包括上调、维持和下调;
21、将所述多阶事件域交互特征输入所述观点强度预测分支,预测目标分析师在未来时间窗口内对目标股票的观点强度值。
22、优选的,将所述多阶事件域交互特征输入所述观点倾向预测分支和将所述多阶事件域交互特征输入所述观点强度预测分支之前,包括:
23、获取目标分析师在历史时间窗口内的观点演化序列;
24、基于所述观点演化序列确定目标分析师的观点动量特征,所述观点动量特征包括观点调整的方向一致性指标和观点调整的幅度变化趋势;
25、将所述观点动量特征与所述多阶事件域交互特征进行融合,共同输入所述分析师观点预测模型。
26、优选的,根据所述观点倾向和观点强度生成分析师观点预测结果,包括:
27、根据预测的观点倾向和观点强度确定目标分析师对未来时间窗口内目标股票的预测评级和预测目标价;
28、获取当前市场的共识预期值,将所述预测评级和预测目标价与所述共识预期值进行对比分析,确定预测观点的差异性和信息增量;
29、根据所述对比分析结果生成包含预测结论、差异分析和风险提示的分析师观点预测结果。
30、优选的,根据预测的观点倾向和观点强度确定目标分析师对未来时间窗口内目标股票的预测评级,包括:
31、获取目标分析师在当前时间点对目标股票的当前评级;
32、根据所述观点倾向类别确定评级调整方向:若所述观点倾向类别为上调,则评级调整方向为正向;若所述观点倾向类别为下调,则评级调整方向为负向;若所述观点倾向类别为维持,则评级调整方向为零向;
33、根据所述观点强度值确定评级调整档位数,将所述当前评级沿所述评级调整方向移动所述评级调整档位数,得到预测评级。
34、优选的,根据预测的观点倾向和观点强度确定目标分析师对未来时间窗口内目标股票的预测目标价,包括:
35、获取目标股票在当前时间点的参考价格,所述参考价格为当前时间点的市场交易价格;
36、根据所述观点倾向类别确定目标价调整方向,根据所述观点强度值确定目标价调整系数;
37、根据以下公式获取预测目标价:
38、预测目标价=参考价格×(1+调整系数);
39、其中,当所述观点倾向类别为上调时,所述调整系数为正值;当所述观点倾向类别为下调时,所述调整系数为负值;当所述观点倾向类别为维持时,所述调整系数为零。
40、优选的,所述方法还包括:定期获取目标分析师发布的最新观点数据,将所述最新观点数据与预测结果进行对比,计算预测准确率;根据所述预测准确率对所述分析师观点预测模型进行在线更新和参数调整。
41、与现有技术相比,本发明的有益效果在于,本发明通过事件域分类整合多源异构信息,将历史观点数据与市场事件数据划分为分析师、预测、股票三个事件域,实现分散异构信息的统一结构化处理,更全面表征影响分析师观点的各类因素,提升信息利用的完整性与系统性。采用“三选二再补一”递阶交互模式,从三个一阶事件出发生成二阶、三阶交互特征再融合,系统性捕获各阶跨域交互信息,克服现有技术简单拼接、浅层交互的缺陷,让模型学习更深层特征组合,提升模型表达能力与预测精度。
42、设置观点倾向分类、观点强度回归双分支预测架构,可同时输出未来窗口期分析师对目标股票的观点倾向类别与观点强度值,相比仅输出单维度结果的现有技术,提供更丰富精细的预测信息。提取分析师历史观点演化序列的方向一致性、幅度趋势作为观点动量特征,与多阶事件域交互特征融合,捕捉分析师观点调整的时序惯性与趋势信息,让模型结合当前事件信息与历史行为动态推理,增强时序建模能力,提升预测的时效性与准确性。
43、根据预测的观点倾向、观点强度分别确定预测评级的调整方向与档位数,确定预测目标价的调整方向与调整系数,结合参考价格计算得到预测目标价,将抽象模型输出转化为直观可用的投资参考信息;进一步结合预测结果与市场共识预期做对比分析,生成包含预测结论、差异分析、风险提示的完整结果,提供更具参考价值的综合预测信息。通过定期获取最新分析师观点数据,对比预测结果计算准确率,据此对模型做在线更新与参数调整,通过闭环反馈让模型持续适应市场环境与分析师行为模式变化,避免模型性能随时间衰退,保障长期预测的稳定可靠。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com