一种股票预测模型构建方法、系统及其应用

技术特征：
1.一种股票预测模型构建方法，其特征在于，包括：s1.采集原始数据，原始数据包括单个交易日内股票的最高价、开盘价、最低价、收盘价和成交量以及公司每季度公开的财务指标数据，并构建股票特征；s2.构建动态异质图，动态图的节点包括股票、上市公司、行业和地域类型，还包括各节点特征和时间属性，动态图的边包括股票之间的价格相关关系、股票与上市公司的从属关系、股票与行业的从属关系、上市公司与行业的从属关系以及上市公司与地域的从属关系，还包括各边的时间属性；s3.根据动态异质图设计股票时间序列编码器、上市公司编码器和行业及地域编码器并获取股票时间序列特征、上市公式特征、行业特征和地域特征；s4.基于动态异质图和获取的股票时间序列特征、上市公式特征、行业特征和地域特征，引入注意力机制构建动态异质图注意力网络模型并进行模型训练。2.根据权利要求1所述的一种股票预测模型构建方法，其特征在于，s1中股票特征包括单个交易日内开盘价、最低价和最高价与收盘价的价格比率特征以及不同交易目的移动平均收益特征；价格比率特征为：μ∈{open，high，low}其中，第j天的开盘价、收盘价、最高价和最低价分别为open
j
，close
j
，high
j
，low
j
；移动平均收益特征为：φ∈{5，10，15，20，25，30}其中，adjclose为调整后的收盘价。3.根据权利要求1所述的一种股票预测模型构建方法，其特征在于，s1还包括对股票的特征值进行z-score标准化处理，并对缺失值用0进行填充。4.根据权利要求1所述的一种股票预测模型构建方法，其特征在于，s2中股票之间的价格关系构建方式为：在每个交易日，对每只股票计算与其他所有股票在过去半年内股价间相关性，并从中挑出相关性最大的n只股票与其建边，计算相关性的方法为：其中，p
i
和p
j
分别为股票i和股票j过去半年的股价。5.根据权利要求1所述的一种股票预测模型构建方法，其特征在于，s3的具体内容为：(1)股票时间序列编码器：对输入特征向量进行非线性映射，得到新的特征向量为：其中，为股票s
q
输入的股票节点特征形式，w1和b1为可学习的
参数；基于深度序列模型中的双向lstm模型对新的特征序列进行编码，得到每个时间步的股票s
q
的隐藏层表征：的隐藏层表征：通过注意力机制求和：通过注意力机制求和：通过注意力机制求和：其中，v，w2，b2是可学习的参数；与lstm的最终隐层表征拼接得到股票的时间序列表征：(2)上市公司编码器：通过双层mlp和残差连接的结构用于表征提取，得到上市公司c
i
的表征为：其中，w
c
，w3，w4，b3，b4均为可学习的参数，relu为神经网络中的非线性激活函数，为上市公司c
i
在t时刻的输入特征；(3)行业及地域编码器：对于行业以及地域类型的节点，分别设置可训练的embedding层，行业i
j
和地域a
k
的表征分别为：征分别为：6.根据权利要求1所述的一种股票预测模型构建方法，其特征在于，s4中构建动态异质图注意力网络的具体内容包括：(1)相对时序编码对于给定的节点v，其对应的输入时间为t(v)，经过时序编码后为：对于给定的节点v，其对应的输入时间为t(v)，经过时序编码后为：其中，t(v)为节点v的建立时间，t2v(t(v))[i]表示对节点v编码向量的第i维，为周期函数，ω
i
和φ
i
均为模型可学习的参数；
(2)动态异质图注意力层图神经网络的消息传递范式为：其中，表示图神经网络第l层的输入，update
(l)
和aggregate
(l)
分别为第l层的更新和邻域聚合操作；对第1层的节点u，其输入向量省略t，记为首先基于transformer中的股票自注意力机制，节点u的查询向量、键向量和值向量分别为：机制，节点u的查询向量、键向量和值向量分别为：其中，μ
<τ(v)，φ(e)，τ(u)>
表示图中关系类型三元组<τ(v)，φ(e)，τ(u)>的缩放因子，为自注意力机制中控制点积数值的缩放因子；在的基础上引入关于边的建立时间长短的高斯先验注意力项δ
t
＝t-t(e)表示边e从上一次建立到当前时刻t的时长，f为δ
t
的单调递增函数则：其中z1和z2为归一化因子：为归一化因子：σ为非线性激活函数，定义引入关系时长敏感的注意力项：其中，w
(l)
和b
(l)
为可学习的参数，w
(l)
＞0，注意力项随时长增加单调递增，单个图注意力层采用个注意力头，则：
最后，添加残差链接，作为该层的最终输出：其中，α和w
a
均为可学习的参数，α为更新比例，0＜α＜1；(3)经过l层动态异质图注意力网络后，股票节点u的特征向量为则最终的得分为股票评分：其中，σ为sigmoid函数，将股票评分限制在[0，1]范围内，w
f
和b
f
为可学习的参数。7.根据权利要求1所述的一种股票预测模型构建方法，其特征在于，模型训练的损失为：其中，y
u
为股票节点u的排名真实值，为股票节点u的预测值。8.根据权利要求7所述的一种票预测模型构建方法，其特征在于，模型的参数矩阵通过梯度下降方式进行更新，具体更新形式为：9.一种股票预测系统，基于权利要求1-8任意一项所述的一种股票预测模型构建方法，其特征在于，包括数据采集模块和股票预测模型；数据采集模块，用于采集单个交易日内股票的最高价、开盘价、最低价、收盘价和成交量以及公司每季度公开的财务指标数据并输入股票预测模型；股票预测模型，用于输出股票评分。10.一种股票预测系统的应用，基于权利要求9所述的一种股票预测系统，其特征在于，包括采集单个交易日内股票的最高价、开盘价、最低价、收盘价和成交量以及公司每季度公开的财务指标数据并输入股票预测模型，输出股票评分。

技术总结
本发明公开了一种股票预测模型构建方法、系统及其应用，包括：S1.采集单个交易日内股票的最高价、开盘价、最低价、收盘价和成交量以及公司每季度的财务指标数据，并构建股票特征；S2.构建动态异质图，动态图的点包括股票、上市公司、行业和地域类型，边包括股票之间的价格相关关系、股票与上市公司的从属关系、股票与行业的从属关系、上市公司与行业的从属关系以及上市公司与地域的从属关系；S3.设计股票时间序列编码器、上市公司编码器和行业及地域编码器并获取股票时间序列特征、上市公式特征、行业特征和地域特征；S4.构建动态异质图注意力网络模型并进行训练；本发明将股票间关系的多样性与动态性纳入股票关系建模，从而提升模型的预测性能。型的预测性能。型的预测性能。


技术研发人员：章子晗 王静远 李超
受保护的技术使用者：北京航空航天大学
技术研发日：2022.11.18
技术公布日：2023/2/3