专利名称：一种基于量子力学和社交网络的股票价格趋势预测方法
技术领域：
本发明涉及量子力学、社交网络分析和股票价格趋势预测领域，具体涉及通过收集和分析社交网络中的海量股票相关信息，采用量子力学模型预测股票价格变化趋势。
背景技术：
对股票价格趋势的分析和预测活动历史悠久。基本面分析、技术分析等都是经典的分析方法，其中包括CAPM、APT模型、平均线理论，K线图分析法等。在股票分析结果的基础上，研究者主要采用回归分析等统计手段建立数学模型来预测股票价格变化趋势。通过分析新闻媒体(如金融文章、财经杂志、地方报纸等)中相关消息与股票价格变化趋势之间的关系是2000年以来一个新的研究方向。其中比较著名的是亚利桑纳州立大学研发的亚利桑纳金融文本系统(The Arizona Financial Text system),该系统对财经新闻和有关股票价格的文章进行分析，通过离散性数值预测股票价格变化趋势。具体来说，系统首先获取大量财经类新闻报道并进行文本分析，然后结合当前股票指数的变化预测未来20分钟内某支给定股票的价格变化趋势。研究人员采用2005年某段时间内的实际股票价格数据对系统的有效性进行了测试，结果显示采用该系统进行股票交易后，其收益超过了同期半数华尔街交易商的实际交易收益。近年来，随着互联网技术的迅速发展和社交网络的广泛流行，大量与股票相关的信息在互联网上传播，这些实时信息规模巨大，其中隐含着重要的、与股票市场相关的信息。“基于互联网和社交网络信息的股票价格趋势预测”逐渐成为主流研究方向。与此同时，传统的股票价格趋势分析与预测方法由于没有考虑数据的规模和时效性，已经无法适应网络环境中、海量数据规模下的股票市场分析和预测要求。基于上述研究思路，美德两国大学的最新研究发现，通过对社交网络Twitter中发布的大量微博消息进行分析可预测个股的涨跌情况。美国佩斯大学在追踪了星巴克、可口可乐和耐克这三家公司的股价之后，得出研究结果，认为通过一家公司在社交媒体上的受欢迎程度，可预测该公司股价日常走势。德国慕尼黑科技大学的研究人员根据Twitter消息中包含的信息预测个股走势。该大学之前曾实施了一项研究，研究所采用的情感分析方法被用于分析与某些股票相关的Twitter消息，以及这些消息是否包含“看涨”、“看跌”或“持有”等信息。慕尼黑科技大学的研究对2010年上半年与标准普尔500指数所有公司有关的近25万条Twitter消息进行了分析，衡量了这些消息同股票收益率、交易量和股价波动的关系。这项研究表明，Twitter消息所反映的用户情绪可用于追踪个股的股市回报率，甚至能提前一天预测这些股票涨跌情况。如果投资者在2010年上半年以Twitter消息上的用户情绪为导向购买股票，那么他们的平均收益率最高可达15%。另外，印第安纳大学研究表明利用微博内容来预测股市走向成为可能，研究人员分析了 2008年3月到12月间270万Twitter用户发布的970万条Twitter消息，发现可以预测之后2至6天的道琼斯工业指数的涨跌。他们利用Google-Profile of Mood States(GPOMS)算法去评估六种状态快乐、友好、警觉、沉稳、活力和冷静，通过观察GPOMS指数和每天道琼斯工业平均指数上下波动之间是否有相关性，最终发现可以预测随后三天内的变化，并且准确度高达86. 7%。随着Twitter的发展和广泛使用，相关的第三方工具也随之大量产生，其中不乏与股票和金融市场有着紧密联系的开发工具。StockTwits. com被《时代周刊》评为2010年度最佳网站,利用该网站,投资者就可以对Twitter的各个群组进行过滤并且获得那些涉及某个股票市场或某支股票的Twitter信息。网站跟踪每种股票的实时讨论，可以选取几个值得关注的对象，这样就可以第一时间获取相关信息，从而帮助个人对股票市场的分析和判断。根据行为金 融学理论，股票市场的宏观整体波动性往往依托于微观主体的投资行为，而作为微观主体的个人投资者的投资行为则直接受到其情感因素影响，因此可通过分析大量个人投资者的情感，预测其投资行为，进而对整个股票市场的变化趋势进行预测。目前基于社交网络中大量个人投资者发布的股票交易信息进行股票价格预测是一个新兴的研究领域，还处于起步阶段，已有研究没有考虑社交网络中个人投资者的情感因素和投资者之间的关系。同时，尽管目前出现了一些应用社交网络分析股票价格趋势的研究和方法，但这些方法都只是单一的分析数据来预测未来股票走势，忽略了社交网络中个人的股票交易决策遵循海森堡测不准原理，即个体在时间和决策的两维坐标中，时间和决策不可能同时被精确预测。量子力学研究微观粒子的运动规律，经典力学中一个物理系统的位置和动量，可以无限精确地被确定和预言。但是由海森堡测不准原理可知，微观粒子具有不确定性，它的位置和动量不可能同时被确定，因此只能以概率的方式描述。薛定谔方程是量子力学的基本方程，它揭示了微观世界粒子运动的基本规律，求解薛定谔方程得到的波函数描述了微观粒子的运动轨迹。
发明内容
本发明的目的在于提供一种基于量子力学和社交网络的股票价格趋势预测方法。I)搜索和采集社交网络中与某支股票相关的海量数据，海量数据包含两部分内容a)社交网络中与股票相关的微博；b)发表微博的投资者信息；将收集到的海量数据整理并存入数据库中；2)对步骤I)中收集到的微博进行情感分析，情感分为“看涨”和“看跌”两类，根据发表微博的情感，将投资者分为发表看涨情感的投资者以及发表看跌情感的投资者；3)计算某一时刻单个投资者u在社交网络中所受到的势场强度，势场强度的计算方法如式(I)和式(2)所示
权利要求
1.一种基于量子力学和社交网络的股票价格趋势预测方法，其特征在于包括以下步骤1)搜索和采集社交网络中与某支股票相关的海量数据，海量数据包含两部分内容a) 社交网络中与股票相关的微博；b)发表微博的投资者信息；将收集到的海量数据整理并存入数据库中；2)对步骤I)中收集到的微博进行情感分析，情感分为“看涨”和“看跌”两类，根据发表微博的情感，将投资者分为发表看涨情感的投资者以及发表看跌情感的投资者；3)计算某一时刻单个投资者u在社交网络中所受到的势场强度，势场强度的计算方法如式(I)和式(2)所示
2.根据权利要求1所述一种基于量子力学和社交网络的股票价格趋势预测方法，其特征在于所述情感分析的具体步骤如下2.1)过滤滤掉微博中不含情感的部分；.2.2)分词将经过过滤的微博分割成多个词汇，将分词后的结果存入词汇库中；.2.3)对词汇库中的词汇进行处理，处理包括a)去除停止词；b)绑定否定词，将否定词出现位置的前一个词和后一个词组成两种组合；.2.4)对比情感词典对经过步骤2. 3)处理后的词汇库中的词汇，依次和情感词典中的表示情感的词汇进行比对，记录匹配程度，进而得到微博的情感，若经过比对，发现微博不具有“看涨”或“看跌”两种情感，则该微博属于噪声数据，需要从数据库中删除。
3.根据权利要求1所述一种投资者情感分析方法，其特征在于所述情感影响概率的计算方法为令投资者V发出的微博的集合为Av，投资者u受到投资者V影响而发出的微博的集合为Av2u,则投资者V对投资者u的情感影响概率表示为
4.根据权利要求3所述一种投资者情感分析方法，其特征在于所述Creditv,u(a)的获取方法为假设投资者u在tu(a)时发出微博a，且在其所有发出相同微博a的友邻投资者集合S 中有
全文摘要
本发明公开了一种基于量子力学和社交网络的股票价格趋势预测方法，本发明充分考虑社交网络中个人投资者情感决策的微观粒子特性，定义网络中个人决策的波函数以及运算符，以分段的无限深方势阱来模拟社交网络中个体之间的影响关系，采用薛定谔方程预测单个投资者的情感，并通过对社交网络中的情感进行叠加，描述股票价格变化趋势，社交网络的量子力学模型能够有效提高股票价格趋势预测的准确率，具有重要的理论意义和经济价值。
文档编号G06Q10/04GK103049804SQ20131001454
公开日2013年4月17日 申请日期2013年1月15日 优先权日2013年1月15日
发明者李倩 申请人:西安交通大学