基于多重分形和文本数据流技术的网络金融信息动态挖掘研究

With the rapid development of Internet,Online financial information becomes the main source of financial information and has a major impact on financial market.The accurate mining result of online financial information will not only be good for people to acquire more useful knowledge but can improve the prediction accuracy.The multifractal and text data stream technology will be used in this project to solve high-dimensional,dynamic and unstructured online financial information. On that basis the association model between online financial information and financial market volatility will be constructed. The main contents of this project include the following aspects： （1）The online financial information dynamic architecture based on multifractal and text data stream technology is proposed. (2) The multifractal feature extraction method is researched to solve the high-dimensional problem of online financial information. (3) Text data stream classification method is studied to get the sentiment classification of online financial information and the association model between information sentiment and market volatility is discovered. (4) Text data stream clustering method is discussed to detect specific event and emergency from online financial information and the effect of events on market volatility is analyzed. The objective of this project is to improve the accuracy and timeliness of online financial information dynamic mining problem and extract more valuable content from online financial information to improve the prediction accuracy .

随着互联网技术的发展，网络金融信息成为金融信息的主要来源，对市场有着重要影响。网络金融信息的准确挖掘有利于获取更多有用知识，提高市场预测准确率。本课题拟针对网络金融信息高维、动态、非结构化特点，采用多重分形和文本数据流技术对其进行动态挖掘，并在此基础上构建网络金融信息与市场波动的关联模型。 具体研究内容为：（1）研究基于多重分形和文本数据流技术的网络金融信息动态挖掘架构。（2）研究基于多重分形的特征选择算法，解决网络金融信息的高维问题。（3）研究文本数据流分类算法，对网络金融信息情感态度进行分类,并构建信息情感态度与市场波动的关联模型。（4）研究文本数据流聚类算法，检测网络金融信息中包含的特定主题事件和突发事件，并分析事件对市场波动的影响作用。 本研究可望部分解决网络金融信息动态挖掘问题，提高分析的准确率和时效性，更好地从网络金融信息中提取有价值的内容，提高市场预测准确率。

随着互联网技术的快速发展，网络金融信息成为金融信息一种新的重要表现形式。网络金融信息含义丰富与金融市场波动有着密切联系，值得我们深入挖掘，然而其高维、动态、非结构化特征也给挖掘带来了挑战。. 本项目在科学研究方面主要完成了如下工作：(1)在高维数据特征提取方法研究上，首先提出了一种面向数据流的多粒度时变分形维数计算方法，该方法能快速准确估算不同时间粒度下的维数值；其次研究了一种融合智能优化算法的多重分形属性选择算法，实验表明该算法具有一定的有效性。（2）在网络金融信息内容动态挖掘方法研究上，研究了文本分类算法对网络中的新闻内容进行分类识别；提出一种OWAP-s聚类算法并将其应用于检测网络金融信息中所包含的事件信息。（3）在分析网络金融信息与市场波动关联关系方面，构建了面向股票市场的主题事件案例模型，利用案例推理技术对事件发生后市场的短期波动进行预测；利用多重分形去趋势交叉相关性模型（MF-DCCA）初步探讨了网络金融信息情感强度和股指收益率之间的交叉相关性。. 围绕此项目，项目组共发表相关论文13篇（sci收录3篇，ei收录3篇）；专著1部（2017年出版）；已培养硕士毕业生4名，博士毕业生1名。