金融领域人工智能的应用.docxVIP

金融领域人工智能的应用 关键词：人工智能；金融；应用；股票 伴随人工智能、云计算、大数据等技术的崛起，金融行业正在智慧金融的大道上大步前进，这是金融与科技结合的必然趋势。股市在金融领域是重要一环，投资股市的目的当然是为了盈利，这其中有很多的影响因素导致风险非常大，在技术层面上就考虑用人工智能技术来预测股市的涨跌，理论上这种方式是可行的，为此本文则重点讨论人工智能在股市预测上的应用。 一、关于人工智能与股市涨跌 随着计算机性能不断提升，大数据技术的不断进步，人工智能在近些年来发展非常迅猛，深度学习神经网络阶段发生了三大具有突破性的事件，将人工智能推上了风口浪尖。具有代表性的事件包括20XX年Google无人驾驶汽车上路，20XX年深度学习算法在语音和视觉识别上有重大突破，20XX年AlphaGo战胜围棋冠军。随着数据量不断增大，计算能力不断增强，深度学习的影响力也越来越大，从目前的形势来看，所接触到的人工智能，可以简单理解为通过历史数据结果，生成复杂多元的公式，然后根据公式拟合所有数据，并套用公式得到实际场景的结果。从技术层面上来讲，只要存在规律的事物，基本都能够通过学习相关的特征数据来做决策。股市的变化也是有特征的，具体来说，股市价格的变化，实质是一个随时间变化的序列。在金融领域有专门的时间序列分析方法，该方法是通过历史数据的处理，寻找前后数据之间的关系并建立关系模型，然后基于历史数据和模型来预测时间序列的未来值。因此用人工智能来预测股市涨跌成为可能。现在也有一些实践和探索，比如投顾问，是人工智能股票预测引擎，其基于大数据提取多股票特征，应用于tensorflow、LSTM预测股票未来五日开盘价、收盘价、最高价、最低价，并使用RecursiveFeatureElimination和Pearson相关系数等进行多轮训练，移除若干权值系数特征，再基于新的特征集进行下一轮训练，保证稳定上升的准确性。现在股市标注清晰、数据量庞大，应用简单、直接变现，股市AI已经具备人工智能应用爆发的要素。 二、关于人工智能在金融领域的应用 对于股市而言虽然有特征，但是股市确实一个非线性，混沌行的复杂非线性系统。影响股市涨跌的并不仅仅只有历史数据，还有更多的因素，包括公司的近况，股民对股票的态度，政策方面的影响等等，而这些因素存在相互联系相互影响的关系，牵一发而动全身，这就是所谓的混沌现象，虽然混沌现象目前不可预知，但是理论上用人工智能来预测股市涨跌是可行的，不过仅仅简单地将历史数据纳入到关联模型当中来预测涨跌，往往效果不太好，但不意味着人工智能就不能预测股票涨跌，大概率是技术条件还不具备。为此我们从一个深度学习的练习项目来探讨人工智能在股票市场上的应用问题。 （一）项目的概况本项目是为了实现人工智能股市价格预测的一个深度学习练习项目，旨在通过机器学习算法，结合过去几年以及某只股票相关的K线图走势，公司的相关报道来作为数据集，通过训练来得到可预测的股市价格机器学习模型，并用这个模型来预测股市价格的涨跌。项目拟使用线性回归，神经网络以及随机森林来进行预测，并对三种算法的预测效果进行比较。项目使用Python编程。 （二）自然人如何投资股市在编写人工智能程序之前，需要考虑自然人是如何投资股市的，这是一个关键点，因为股市时一个复杂非线性系统，即混沌系统，影响股市价格走向的因素很多。在投资股市时，往往会在决定购买哪只股票之前，会查询与股票相关公司的信息，如果查到的信息以正面信息为主，那么投资这只股票的回报率就可能会高一些，当然还需要看K线图。总结起来则可以确定机器学习模型需要股价数据和对股票的情感数据。 （三）数据获取机器学习模型需要数据，没有数据就没办法训练机器学习模型。所以在数据获取方面股价数据使用Pandas进行分析，对于情感数据则使用NLTK来进行处理。具体来说读取往年股价数据，并对其进行简单处理后生成Pandas的DataFrame格式，构成系列化，并成为文件的Python对象。通过print(df-stocks)来查看df-stocksDataFrame对象并输出可得到股票的股价以及相关文章内容，进一步开始分析股票的情感数据与股价数据。先将priceSeries从df-stocks中独立出来，成为单独的DataFrame对象，然后添加几个新的Series，随后使用NLTK对文章进行情感分析。使用NLTK的情感强度分析器对文章情感进行分析，并将情感强度写入新独立出来的DataFrame中，其中的negSeries存放文章的负面指数，neuSeries存放中立指数，posSeries存放正面指数，Compound存放合成指数，然后将数据输出，得到相应的情感分析数据。 （四）划分数据集根据输出的情感分析数据，开始时间为20XX年1月1日，结束时间是20X