一种基于动态异构网络的股票涨跌预测方法与系统

本发明属于股票涨跌预测，具体涉及一种基于动态异构网络的股票涨跌预测方法与系统。

背景技术：

1、随着我国金融市场的不断发展，虚拟经济的热度持续上涨，引发了越来越多的投资者们的兴趣，其中最受关注的当之无愧是股票市场。股票市场已然成为了衡量国家经济发展的标准之一。

2、股票涨跌预测对公司管理者、投资者和股票交易者而言都具有重要的价值和意义，不仅是能让投资者获得收益，而且蕴含着整个各行各业的发展前景，把握行业的发展动向。股票市场是非线性的、不确定的、复杂的黑盒系统，从财务数据中选择有效的特征是股票预测问题中常用的处理方法。

3、现有的股票预测模型大部分从两个建模思路进行构建：一是使用历史价格数据和技术指标，使用机器学习和深度学习模型来预测股票价格序列；二在上述的基础上，加入自然语言处理，在时序数据的基础上逐渐加入其他可以反映当前市场情况的变量，比如说投资者情绪、新闻数据等。相关模型取得了一定的效果，但是目前还存在如下问题：

4、一是采用手工构造的限维特征，目前大多数模型采用的是单纯数字或文本特征，这些特征来自于股票的市场描述或价格波动，基于这些特征的模型在表示股票价值变化方面存在局限性，从而导致模型的预测性能不佳；二是股票市场具有大规模，有着难以捕捉的整体联动的特性。仅通过个体特征嵌入可能会较难把握住整体股票行情市场，特别是股票之间的联动和价值一致性趋势等，不能在单纯手工构造的限维特征得到体现。

5、随着图学习的应用越来越广泛，新的图概念的提出为图的发展上升了一个层次。异构网络的出现在图深度学习上的应用也越来越广泛，在金融预测领域也同样具有普适性。

技术实现思路

1、本发明旨在解决现有技术的不足，提出一种基于动态异构网络的股票涨跌预测方法与系统，充分真实刻画股票市场的交易场景，表达股票之间显式的隐式的关系。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于动态异构网络的股票涨跌预测方法，包括以下步骤：

4、s1：获取并预处理股票数据；

5、s2：基于预处理后所述股票数据，构建金融股票异构拓扑图；

6、s3：向所述金融股票异构拓扑图引入股票节点嵌入；其中，所述股票节点嵌入包含股票价格动态信息；

7、s4：在引入所述股票节点嵌入的金融股票异构拓扑图的异构边中加入金融指标间的相似性关系，构建金融相似性子图；

8、s5：聚合所述金融股票异构拓扑图以及所述金融相似性子图，并进行元路径选择以及消息聚合，获得最终股票节点嵌入；

9、s6：将所述最终股票节点嵌入输入到图神经网络分类器中，进行二分类，获得基于动态异构网络的股票涨跌预测模型；基于股票涨跌预测模型，进行股票涨跌预测。

10、优选的，步骤s1中，所述股票数据包括基本信息以及行情数据；

11、所述基本信息包括股票简称、股票代码、公司上市时间、上市地点、经营范围以及主要业务；

12、所述行情数据包括日个股收盘价、日个股交易股数、日个股涨跌幅以及日个股回报率。

13、优选的，步骤s2中，构建金融股票异构拓扑图的方法为：

14、对股票、行业以及地域三类实体进行编号，分别获得三类实体中不同子类型的唯一id；

15、基于所述子类型，定义元组；

16、将所述唯一id作为图数据，基于所述元组以及所述图数据，构建所述金融股票异构拓扑图。

17、优选的，步骤s3中，生成所述股票节点嵌入的方法为：

18、基于股票的历史价格序列，获得隐含历史趋势的时序嵌入；

19、将所述时序嵌入进行one_hot编码，完成时序特征的离散化，生成所述股票节点嵌入。

20、优选的，步骤s4中，构建所述金融相似性子图的方法为：

21、将原始金融数据在当日范围内转化为对应的等级数据；

22、基于所述等级数据的差值的平方和，计算斯皮尔曼等级相关系数；

23、基于斯皮尔曼等级相关系数，获得金融技术指标层面上所述相似性关系最大的股票；

24、基于所述相似性关系最大的股票以及所述金融指标，构建所述金融相似性子图；其中，所述金融相似性子图包括日个股交易股数相似性图、日涨跌幅相似性图、日收盘价相似性图以及日个股回报率相似性图。

25、优选的，步骤s5中，获得所述最终股票节点嵌入的方法为：

26、通过所述基于注意力的元路径消息聚合模块，聚合所述金融股票异构拓扑图以及所述金融相似性子图，获得聚合异构图；

27、获得所述聚合异构图中的元路径集，对所述元路径集进行图采样，获得语义特定的节点嵌入组；

28、对所述节点嵌入组进行非线性变换；

29、计算非线性变换后的所述节点嵌入组与语义级注意力向量的相似性，获得语义特定的所述节点嵌入组的重要性；

30、对所述节点嵌入组的重要性进行平均表示，获得所述元路径集中每个元路径的重要性；

31、对所述元路径的重要性进行归一化，获得元路径的权重矩阵；

32、基于所述权重矩阵以及所述节点嵌入组，获得聚合多维消息的所述最终股票节点嵌入。

33、本发明还提供一种基于动态异构网络的股票涨跌预测系统，所述预测系统用于实现所述预测方法，包括：预处理模块、拓扑图构建模块、节点嵌入引入模块、金融相似性子图构建模块、最终股票节点嵌入获取模块以及预测模块；

34、所述预处理模块，用于获取并预处理股票数据；

35、所述拓扑图构建模块，用于基于预处理后所述股票数据，构建金融股票异构拓扑图；

36、所述节点嵌入引入模块，用于向所述金融股票异构拓扑图引入股票节点嵌入；其中，所述股票节点嵌入包含股票价格动态信息；

37、所述金融相似性子图构建模块，用于在引入所述股票节点嵌入的金融股票异构拓扑图的异构边中加入金融指标间的相似性关系，构建金融相似性子图；

38、所述最终股票节点嵌入获取模块，用于聚合所述金融股票异构拓扑图以及所述金融相似性子图，并进行元路径选择以及消息聚合，获得最终股票节点嵌入；

39、所述预测模块，用于将所述最终股票节点嵌入输入到图神经网络分类器中，进行二分类，获得基于动态异构网络的股票涨跌预测模型；基于所述股票涨跌预测模型，进行股票涨跌预测。

40、优选的，所述金融相似性子图构建模块，包括转化单元、相关系数计算单元、股票筛选单元以及子图构建单元；

41、所述转化单元，用于将原始金融数据在当日范围内转化为对应的等级数据；

42、所述相关系数计算单元，用于基于所述等级数据的差值的平方和，计算斯皮尔曼等级相关系数；

43、所述股票筛选单元，用于基于斯皮尔曼等级相关系数，获得金融技术指标层面上所述相似性关系最大的股票；

44、所述子图构建单元，用于基于所述相似性关系最大的股票以及所述金融指标，构建所述金融相似性子图；其中，所述金融相似性子图包括日个股交易股数相似性图、日涨跌幅相似性图、日收盘价相似性图以及日个股回报率相似性图。

45、与现有技术相比，本发明的有益效果为：为了充分真实刻画股票市场的交易场景，表达股票之间显式的隐式的关系，本发明提出一个股票预测模型，本发明通过基于股票属性和技术指标特征构建股票市场动态异构网络。模型整体架构由时间特征信息节点嵌入、异构节点金融相似性图、基于注意力的元路径消息聚合模块三部分组成，具体来说，首先在异构图中每个股票节点中加入时间信息，生成具有动态时间信息的节点嵌入；再通过不同股票技术指标计算得出的节点相似性，构建节点金融相似性图，注入到原金融异构图中，丰富异构图中的信息存储；最后聚合前两个模块得到的异构图，通过不同元路径进行图采样，使用注意力对不同元路径本身代表的语义消息的重要性进行加权，输入到图神经网络中完成对股票涨跌的预测。