买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南财经大学

摘要：本发明公开了一种基于多模态数据融合的多图神经网络的股价趋势预测方法，包括：股票新闻事件抽取；将财经新闻表示为节点嵌入；构建股票图G1，构成图G2；输出和针对两张图G1和G2输出的两类多模态数据对应的特征向量在编码器中设计了两个不同的分支E‑Branch和F‑Branch；采用不同的尺度将两个分支的信息进行分割，进行后续的交互融合；将ea′,fa′,以及初始的事件特征和基本面特征Et,Ft合并起来，利用softmax层进行二分类预测；本发明应用多图学习框架，融合以不同数据结构表示的多模式市场因素，并探索它们对股票波动的共同影响和溢出效应。

主权项：1.一种基于多模态数据融合的多图神经网络的股价趋势预测方法，其特征在于，包括以下步骤：步骤1、股票新闻事件抽取：使用事件三元组来表示新闻，事件三元组表示为e＝s，p，o，其中p是谓词，s是主体，o是客体；步骤2、将财经新闻表示为节点嵌入：具体包括：每个事件三元组的主体s、谓词p和客体o分别编码并输出为多维向量；s，p和o的嵌入看作是这些三元组的平均向量；最后，三个均值向量s，p，o形成一个均值事件三重矩阵H： 然后加入一个自动编码器来降低事件嵌入向量的维数；步骤3、构建股票图G1，其中节点代表企业，两个节点之间的边由现实世界的行业关系决定；基于股票图G1，利用从财经新闻中提取的事件三元组知识来建立股票之间的隐式关系,在股票图G1的基础上构成图G2；首先采用GRU来捕获时间序列特征： 其中是第i支股票第t天的事件特征，是第i支股票第t天的基本面特征；为方便表示，所有股票在第t天的事件特征和基本面特征分别为：Et和Ft；对于目标股票，在G1和G2构建的图中汇总了其相关公司的信息，以分别捕捉动量溢出和媒体新闻溢出；利用图卷积神经网络GCN来聚合股票图中的节点特征并生成嵌入。Et和Ft作为过去T天的时间序列特征作为图G1和G2中企业节点的嵌入向量，经过图卷积神经网络后，分别输出和步骤4、针对两张图G1和G2输出的两类多模态数据对应的特征向量在编码器中设计了两个不同的分支E-Branch和F-Branch；采用不同的尺度将两个分支的信息进行分割，进行后续的交互融合；对于E-Branch，被分割成更小的尺度的ep，用更多的变换编码器保留更多的嵌入信息；对于F-Branch，分为更大的尺度fp；ea和fa分别是事件特征和基本面特征额外的token；E-branch融合方法如下：e′＝concatgeea,fp其中ge·是维度对齐的投影函数，使用Cross-attention机制进行融合： 其中he·是维度对齐的投影函数，l·是层归一化函数；E-Branch融合方法如下：f′＝concatgffa,ep其中gf·也是维度对齐的投影函数，使用Cross-attention机制进行融合：fa′＝hfCross-Attentionle′+gffa其中hf·是维度对齐的投影函数；步骤5、将ea′,fa′,以及初始的事件特征和基本面特征Et,Ft一起考虑，处理后放入softmax层进行最后的二分类预测：

全文数据：

权利要求：

百度查询： 西南财经大学 基于多模态数据融合的多图神经网络的股价趋势预测方法