论文部分内容阅读
近年来，人工智能技术逐步融入到人们的生活中，为人类生活提供便利。同时，经济增长促进了财富积累，智能投资越来越受到人们的关注，人们希望通过人工智能的方法辅助进行证券投资。相较于AlphaGo等成功的人工智能案例，智能证券投资是众人博弈，具有复杂的规则和不完备的信息，是人工智能从简单应用场景向更高层次的发展。人们在进行股票投资时最重要的就是需要筛选出合适的股票，伴随我国证券市场飞速发展，股票数量众多，需要对股票市场进行类别划分从而提高投资效率。但目前市场主要按照人工方式对股票进行划分，这种方式具有时滞性，无法充分表达市场的动态变化。因此本文将使用人工智能相关方法对股票市场进行划分，从而实现既能静态的描述股票之间的关联，又能动态的表达股票市场的行情。
本文的主要研究内容分为以下三个方面：
构建股票的知识库，主要包含了股票的行情与属性数据集。数据是后续研究的基础，本文主要从官方网站，主流的金融服务网站以及专业的金融数据包中抓取数据，并进行多方验证，保证数据的准确性和完整性。同时采集股票的量化属性，进行筛选，获得量化因子集合，通过量化因子生成股票的量化类。
根据股票时序数据的相似性，应用聚类算法进行类别划分。在动态时间规整（DTW）算法的基础上引入了软对齐的技巧对两个时间序列的相似性进行计算，结合近邻传播算法对股票市场进行类别划分，解决实际中无法根据市场行情变化情况动态调整股票类别的缺点。实验结果表明改进的DTW算法在时序序列相似性计算上具有更好的效果。
根据复杂网络理论生成股票网络，运用改进的Fast Unfolding社区发现算法进行股票网络中的团体发现，生成股票类别。本文在传统的行业、地域、概念、指数、用户自定义5种类别划分的基础上进行拓展，通过添加量化类，时序聚类以及用户类，构建起更为完善的股票分类体系，从而在用户偏好的适用范围上有了明显的提高。同时，本文实现一个可视化展示系统对整个分类体系进行呈现。该系统通过自顶向下和自底向上的方法帮助用户在宏观上更好的了解市场行情，从而提高信息获取效率。
本文的主要研究内容分为以下三个方面：
构建股票的知识库，主要包含了股票的行情与属性数据集。数据是后续研究的基础，本文主要从官方网站，主流的金融服务网站以及专业的金融数据包中抓取数据，并进行多方验证，保证数据的准确性和完整性。同时采集股票的量化属性，进行筛选，获得量化因子集合，通过量化因子生成股票的量化类。
根据股票时序数据的相似性，应用聚类算法进行类别划分。在动态时间规整（DTW）算法的基础上引入了软对齐的技巧对两个时间序列的相似性进行计算，结合近邻传播算法对股票市场进行类别划分，解决实际中无法根据市场行情变化情况动态调整股票类别的缺点。实验结果表明改进的DTW算法在时序序列相似性计算上具有更好的效果。
根据复杂网络理论生成股票网络，运用改进的Fast Unfolding社区发现算法进行股票网络中的团体发现，生成股票类别。本文在传统的行业、地域、概念、指数、用户自定义5种类别划分的基础上进行拓展，通过添加量化类，时序聚类以及用户类，构建起更为完善的股票分类体系，从而在用户偏好的适用范围上有了明显的提高。同时，本文实现一个可视化展示系统对整个分类体系进行呈现。该系统通过自顶向下和自底向上的方法帮助用户在宏观上更好的了解市场行情，从而提高信息获取效率。