葉慕戎 魯越 譚楚婷

摘要：由于股票市場具有復(fù)雜性、動態(tài)性和混亂性等諸多特點，其波動易受各種信息源的影響，因此對其預(yù)測具有相當(dāng)?shù)奶魬?zhàn)性，而機器學(xué)習(xí)方法的應(yīng)用在目前取得了一定的成功。文章從深度學(xué)習(xí)方法出發(fā)，融合多種數(shù)據(jù)源，提出一種異構(gòu)數(shù)據(jù)融合驅(qū)動的神經(jīng)網(wǎng)絡(luò)模型，探索股市輿情、量化指標與股價波動的內(nèi)在聯(lián)系，以及媒體信息對股市波動的影響機制。

關(guān)鍵詞：多特征融合；輿情分析；股市預(yù)測；LDA；神經(jīng)網(wǎng)絡(luò)

中圖法分類號：TP181 文獻標識碼：A

１ 引言

由于金融時間序列數(shù)據(jù)存在復(fù)雜、非線性、難以預(yù)測的情況，因此股票市場的預(yù)測任務(wù)充滿挑戰(zhàn)［１］ ，金融業(yè)界也一直在尋找能夠系統(tǒng)地預(yù)測未來資產(chǎn)收益的方法，嘗試預(yù)測資產(chǎn)的有效收益，然而股票市場處于極其動蕩和嘈雜的環(huán)境中，這項任務(wù)無疑困難重重。傳統(tǒng)股票預(yù)測方法往往僅依賴歷史定量數(shù)據(jù)進行擬合分析，如價格、交易量、周轉(zhuǎn)率等。作為定量數(shù)據(jù)的補充，文本信息也成為部分研究者關(guān)注的對象［２］ 。使用計算機技術(shù)抽取海量輿情觀點，對文本進行挖掘爬取處理，將特征進行整合，可以分析出股票市場發(fā)展動態(tài)的優(yōu)劣，為每個投資者提供各自不同且具有針對性的建議和方法。隨著文本情感分析的高速發(fā)展，簡單文本極性判斷已不能滿足人們對互聯(lián)網(wǎng)的需求，跨學(xué)科、跨平臺的研究，將文本分析技術(shù)廣泛應(yīng)用在不同的領(lǐng)域。將引導(dǎo)機制、營銷理論以及多元盈利模式融合，以提高模型性能。隨著數(shù)據(jù)挖掘的深入，面向股票市場領(lǐng)域的細粒度情感分析技術(shù)的應(yīng)用解決了隱式情感難提取、文本不規(guī)范等問題。學(xué)者正應(yīng)用實踐企圖證實輿論與股票市場的相關(guān)性以及試圖應(yīng)用輿論預(yù)測市場的走向［３～５］ 。

本文主要討論了量化指標、股市輿情與股價波動間的潛在關(guān)聯(lián)，為金融從業(yè)者、研究者提供了一種全新的視角，以行為金融學(xué)對行為人決策的研究成果為研究基礎(chǔ)，尋求投資者在金融市場中可能會受到來自認知系統(tǒng)的各種偏差及對其信息處理和決策過程的影響，以期建立一個從投資者情緒到投資者行為，再到投資者行為對金融市場和實體經(jīng)濟影響的科學(xué)研究模式。

２ 文獻綜述

多源數(shù)據(jù)融合技術(shù)是數(shù)據(jù)挖掘與機器學(xué)習(xí)領(lǐng)域中一種常見的特征處理手段，基于人工智能、模式識別、統(tǒng)計推斷等，在醫(yī)療診斷、目標識別、自動駕駛等領(lǐng)域都有著良好的應(yīng)用，通過融合不同數(shù)據(jù)源、不同粒度的信息，可以更好地捕捉數(shù)據(jù)之間的高階特征交互。

在國內(nèi)，陳曉美［６］ 開展了對于Ｗｅｂ２．０ 的網(wǎng)絡(luò)評論信息的分析研究，通過領(lǐng)域知識進行互補，構(gòu)建了基于“觀點?領(lǐng)域知識?主題”的新型知識搜索體系，以發(fā)現(xiàn)網(wǎng)絡(luò)評論中的觀點知識；郭光明［７］ 設(shè)計了概率主題模型ＬＵＢＤ?ＣＭ，并將其應(yīng)用于刻畫用戶信用屬性，融合社交數(shù)據(jù)中用戶信用畫像的有效信息，以搭建用戶信用畫像預(yù)測系統(tǒng)；賀雅琪［８］ 根據(jù)Ｄｅｍｐｓｔｅｒ?Ｓｈａｆｅｒ證據(jù)理論，提出了一種數(shù)據(jù)融合框架，實現(xiàn)了對多源數(shù)據(jù)的決策級融合；鄧烜堃構(gòu)建了一種基于有限布爾茲曼機的深度自編碼器，實現(xiàn)了對高位金融數(shù)據(jù)的特征降維并構(gòu)建了回歸模型預(yù)測股價，通過實證表明自編碼器提取特征的效果優(yōu)于傳統(tǒng)主成分分析與因子分析等方法；王乾基于股票歷史數(shù)據(jù)、財經(jīng)新聞數(shù)據(jù)、股票社交輿情３ 種信息源，使用ＬＳＴＭ 網(wǎng)絡(luò)對個股漲跌趨勢進行預(yù)測，通過實證證明了多源數(shù)據(jù)預(yù)測的合理性；黃潔云提出充分利用股市多源數(shù)據(jù)，并使用小波變換捕捉時間序列波動趨勢，同時對文本數(shù)據(jù)使用ＢＥＲＴ 模型提取其文本情感特征，融合量化特征與文本特征并預(yù)測股票波動；張露設(shè)計了一種ＳＢＶ 多源信息融合模型，有效解決了財務(wù)預(yù)警問題中的有效樣本不平衡問題，實現(xiàn)了對股市財務(wù)預(yù)警的精確預(yù)測；劉政昊從知識關(guān)聯(lián)視角構(gòu)建了一個金融領(lǐng)域知識圖譜，嘗試發(fā)現(xiàn)股票之間的關(guān)聯(lián)性與隱含特征，為投資者提供指導(dǎo)建議；耿立校提出了一種基于多源異構(gòu)數(shù)據(jù)的ＬＳＴＭ 模型，結(jié)合了歷史交易數(shù)據(jù)、量化指標數(shù)據(jù)、文本評論數(shù)據(jù)３ 類數(shù)據(jù)，對股票波動走勢進行實時預(yù)測，并驗證了其有效性和可行性。

３ 模型設(shè)計

３．１ 基于ＬＤＡ 的情緒指數(shù)構(gòu)建

ＬＤＡ 是一種無監(jiān)督學(xué)習(xí)主題模型，無需人工對訓(xùn)練集進行標注，僅利用文檔集合就可以依概率分布顯示出每篇文檔的主題。對于文本的處理以及數(shù)據(jù)的挖掘，ＬＤＡ 模型是一個常用的文本建模方法，可以有效地從文本中提取所需的重要信息。對于文本中隱含情緒的提取以及建模，ＬＤＡ 模型克服了傳統(tǒng)文本相似度的比較方法中的缺點，大幅提升了提取分析的效率。

作為經(jīng)典主題模型之一，ＬＤＡ 的核心思想是將文檔表示為若干個潛在的主題，其中每個主題都通過一定量的單詞來描述，具體而言，通過參數(shù)估計得到詞匯概率分布，并結(jié)合各文檔主題概率分布進行判斷，從而將詞項空間的全部詞匯聚類轉(zhuǎn)移到主題空間中，達到提取文本主題的目的。通過對每個詞ｗ 的主題ｚ進行采樣，基于其統(tǒng)計頻次，計算得到文本主題ｋ 中的詞項概率分布φｋ 和第ｍ 篇文檔的主題概率分布θｍ ，其ＬＤＡ 聯(lián)合概率為：

在得到文本主題詞匯后，本文使用開源情感分析工具Ｓｎｏｗｎｌｐ 得到其情感評分，其底層算法為樸素貝葉斯模型。其訓(xùn)練過程實質(zhì)上是統(tǒng)計每一個特征出現(xiàn)的頻次，通過對文本打上正、負極性的標簽，將每一個詞匯視作相互獨立的特征，統(tǒng)計各個詞匯特征出現(xiàn)的頻次與訓(xùn)練樣本中的詞匯總數(shù)，就可以將情感極性分析任務(wù)轉(zhuǎn)化為一個貝葉斯分類模型，具體公式為：

其中，ｃ１， ｃ２ 為情感極性（積極或消極），ｗ１，ｗ２，…ｗｎ為每個詞匯出現(xiàn)的頻次，即特征ｎ 為詞匯數(shù)。

３．２ 基于Ａｕｔｏ?Ｅｎｃｏｄｅｒ 的特征提取

由于股票市場指標種類繁多，需要接受大量輸入信息，而且不同技術(shù)指標之間往往存在多重共線性的可能，為降低數(shù)據(jù)維度，提取出原數(shù)據(jù)中最具代表性的信息，壓縮輸入信息量，實現(xiàn)特征重構(gòu)與特征提取。

本文建立了Ａｕｔｏ?Ｅｎｃｏｄｅｒ 自編碼器模型，實現(xiàn)了由高維數(shù)據(jù)到低維數(shù)據(jù)的壓縮編碼。在處理統(tǒng)計特征的部分，依次完成差分處理、對數(shù)變換和標準化，提取時間序列的統(tǒng)計特征，以Ａｕｔｏ?Ｅｎｃｏｄｅｒ 模型提取重要因子，并加入模型。

自編碼器（Ａｕｔｏ?Ｅｎｃｏｄｅｒ， ＡＥ）是一種經(jīng)典神經(jīng)網(wǎng)絡(luò)模型，主要由編碼器（Ｅｎｃｏｄｅｒ）及解碼器（Ｄｅｃｏｄｅｒ）構(gòu)成，其主要原理是將輸入樣本通過編碼器映射至一個特征空間中，接著通過解碼器將已完成編碼的抽象特征映射回原始空間，以得到重構(gòu)樣本，然后對比輸入和輸出，使二者不斷逼近，最終實現(xiàn)特征提取。通過學(xué)習(xí)到的新特征，Ａｕｔｏ?Ｅｎｃｏｄｅｒ 可以重構(gòu)出原始輸入數(shù)據(jù)，解碼成更低維的數(shù)據(jù)。設(shè)輸入樣本為ｘ，抽象特征為ｙ，重構(gòu)樣本為ｘ ，編碼函數(shù)為ｆ（ｘ），解碼函數(shù)為ｇ（ｘ），誤差為ｅ，則有：

３．３ 基于ＬＳＴＭ 的股價波動預(yù)測

長短時記憶網(wǎng)絡(luò)（ Ｌｏｎｇ Ｓｈｏｒｔ?Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）是一種深度神經(jīng)網(wǎng)絡(luò)模型，在語音識別、股指預(yù)測等涉及序列數(shù)據(jù)的任務(wù)中具有相當(dāng)廣泛的應(yīng)用。

ＬＳＴＭ 模型隸屬于循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）的一種，由于其能夠處理長時序列，比ＲＮＮ 更適用于處理和預(yù)測時間序列數(shù)據(jù)。傳統(tǒng)ＲＮＮ模型試圖通過循環(huán)來讓信息連續(xù)傳遞，然而隨著句子距離的增加，ＲＮＮ 將難以連接相關(guān)信息，也就是俗稱的遠程依賴問題，該網(wǎng)絡(luò)的設(shè)計本意正是希望克服遠距離依賴問題， 并在各種任務(wù)中取得優(yōu)異表現(xiàn)。

ＬＳＴＭ 模型由遺忘門、輸入門、輸出門３ 部分組成，引入了單元狀態(tài)的概念，其模型架構(gòu)為：

其中，σ 為激活函數(shù)，Ｗ 為權(quán)重矩陣，ｂ 為偏置項，ｆｔ ，ｉｔ ，ｏｔ 和ｃｔ 分別為輸入門、遺忘門、輸出門和單元激活向量，ｈｔ 為輸出激活函數(shù)。

近年來， ＬＳＴＭ 受到了很多科學(xué)家的青睞，其在輿情分析任務(wù)中的應(yīng)用均取得了較好的效果，并在多個領(lǐng)域成為不可替代的一部分。通過ＬＳＴＭ 模型可以準確捕捉股市輿情間的高階特征交互，并基于反復(fù)迭代訓(xùn)練學(xué)到記憶哪些信息和遺忘哪些信息?；谠冢蹋模?主題模型中得到的關(guān)聯(lián)關(guān)系，結(jié)合股票的發(fā)布時間、漲跌情況、股民評價、公司經(jīng)營狀況等軌跡，預(yù)測其未來的發(fā)展熱度，使用神經(jīng)循環(huán)網(wǎng)絡(luò)，能夠更好地擬合波動趨勢，誤差較小，預(yù)測精度較高，進而為廣大投資者的投資決策提供了一定的輔助參考作用。

４ 結(jié)束語

本文主要研究了基于多源異構(gòu)數(shù)據(jù)的股指趨勢預(yù)測，嘗試將股市信息歸納為歷史交易數(shù)據(jù)、量化指標數(shù)據(jù)、文本評論數(shù)據(jù)３ 類數(shù)據(jù)源，通過設(shè)計不同的特征工程手段將不同種類數(shù)據(jù)融合至一處，然后輸入ＡＥ?ＬＳＴＭ 模型實現(xiàn)對股票指數(shù)波動的預(yù)測，有效改進了模型效果。同時，通過與若干基線的對照實驗，驗證了模型的先進性與可行性。

隨著互聯(lián)網(wǎng)信息技術(shù)的高速發(fā)展，信息發(fā)布與傳播速度愈發(fā)加快，數(shù)據(jù)量級呈現(xiàn)出井噴式的增長，導(dǎo)致社會投資者難以甄別其中的有效信息。然而由于股票市場的復(fù)雜性，歷史交易數(shù)據(jù)、量化指標數(shù)據(jù)、文本評論數(shù)據(jù)均會影響投資者在股票市場中的決策行為，進而對股票收益率和流動性產(chǎn)生影響。因此本文基于前人基礎(chǔ)，對股票的相關(guān)輿論信息進行數(shù)據(jù)挖掘，提出了量化數(shù)據(jù)與文本數(shù)據(jù)的融合方法，基于ＬＤＡ 構(gòu)建文本主題特征，基于ＡＥ?ＬＳＴＭ 模型預(yù)測股票價格走勢，相信未來能夠在股票投資領(lǐng)域發(fā)揮重要作用。

參考文獻：

［１］ 李尚昊，朝樂門．文本挖掘在中文信息分析中的應(yīng)用研究述評［Ｊ］．情報科學(xué)，２０１６，３４（８）：１５３?１５９．

［２］ 王超．輿情熱度對股市收益的影響［Ｄ］．杭州：浙江大學(xué)，２０２０．

［３］ 孫明璇，李莉莉．基于數(shù)據(jù)挖掘的投資者情緒對股市波動影響研究［Ｊ］．燕山大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），２０２０，２１（１）：６８?７７．

［４］ 呂華揆，劉政昊，錢宇星，等．異質(zhì)性財經(jīng)新聞與股市關(guān)系研究［Ｊ］．?dāng)?shù)據(jù)分析與知識發(fā)現(xiàn)，２０２１，５（１）：９９?１１１．

［５］ 劉薇，姜青山，蔣泓毅，等．基于ＦｉｎＢＥＲＴ?ＣＮＮ 的股吧評論情感分析方法［Ｊ］．集成技術(shù)，２０２２，１１（１）：２７?３９．

［６］ 陳曉美．網(wǎng)絡(luò)評論觀點知識發(fā)現(xiàn)研究［Ｄ］．長春：吉林大學(xué)，２０１４．

［７］ 郭光明．基于社交大數(shù)據(jù)的用戶信用畫像方法研究［Ｄ］．合肥：中國科學(xué)技術(shù)大學(xué)，２０１７．

［８］ 賀雅琪．多源異構(gòu)數(shù)據(jù)融合關(guān)鍵技術(shù)研究及其應(yīng)用［Ｄ］．成都：電子科技大學(xué)，２０１８．

作者簡介：葉慕戎（２０００—），本科，研究方向：金融數(shù)學(xué)。