(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111460433.1 (22)申请日 2021.12.01 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 张军欢　吴朋飞　 (74)专利代理 机构 无锡永乐唯勤专利代理事务 所(普通合伙) 32369 代理人 孙际德 (51)Int.Cl. G06Q 40/04(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01) G06F 16/35(2019.01) (54)发明名称 股票基金的投资者情绪指数构建方法、 累计 净值收益 率预测方法、 装置及设备 (57)摘要 本发明提供了一种股票基金的投资者情绪 指数构建方法、 累计净值收益率预测方法、 装置 及设备， 其中的投资者情绪指数构建方法包括： 采用网络爬虫技术从股评网络平台爬取到发表 于预定时期的若干关于所述股票基金的基金评 论数据； 采用训练好的情绪文本分类模型对获取 到的各所述基金评论数据实施分类， 获得各所述 基金评论数据的情绪类别， 其中， 所述情绪类别 包括乐观情绪和悲观情绪两种； 基于各所述基金 评论数据的情绪类别构建出所述股票基金在所 述预定时期的投资者情绪指数。 本发 明提供的投 资者情绪指数构建方法， 其通过对基金评论数据 进行文本挖掘实施对基金评论的类型划分， 并在 此基础上获取到股票基金的投资者情绪指数， 为 股票基金投资收益预测模型的构建奠定 了基础。 权利要求书2页 说明书21页 附图6页 CN 114119233 A 2022.03.01 CN 114119233 A 1.一种股票基金的投资者情绪指数构建方法， 其特 征在于， 其包括： 从股评网络平台获取到发表于预定时期的若干关于所述股票基金的基金评论数据； 采用训练好的情绪文本分类模型对获取到的各所述基金评论数据实施分类， 获得各所 述基金评论数据 的情绪类别， 其中， 所述情绪类别包括乐观情绪、 悲观情绪和中性情绪三 种； 基于各所述基金评论数据的情绪类别构建出所述股票基金在所述预定时期的投资者 情绪指数。 2.如权利要求1所述的投资者情绪指数构建方法， 所述采用预先训练好的情绪文本分 类模型对获取到的各 所述基金评论数据实施分类包括： 采用jieba技 术对各所述基金评论数据进行分词处 理， 并去除其中的停用词； 采用word2vec模型将经 过分词处 理的各所述基金评论数据转换成词向量； 将各所述基金评论数据的词向量输入至所述情绪文本分类模型中， 获取到各所述基金 评论数据的情绪类别。 3.如权利要求1所述的投资者情绪指数构建方法， 其特征在于， 所述情绪文本分类模型 为基于卷积神经网络的情绪文本分类模型或基于K最近邻算法的情绪文本分类模型。 4.如权利要求1所述的投资者情绪指数构建方法， 其特 征在于， 股票基金i在月度t的投资者情绪指数按如下公式构建： Sentimenti， t＝ln[(1+Mbuy， i， t)/(1+Msell， i， t)]； 其中， Mbuy,i,t表示在时期t， 对股票基金i持乐观情绪的基金评论数据的数量， Msell,i,t表 示在月度t， 对股票基金i持悲观情绪的基金评论数据的数量。 5.一种股票基金的累计净值收益 率预测方法， 其特 征在于， 其包括： 获取W个月的历史截面数据作为训练数据， 所述历史截面数据包括： 所述股票基金在月 度i至月度i+F的基金累计净值收益率， 所述股票基金在月度i的收益特征数据， 所述股 票基 金在月度i的所述投资者情绪指数， 所述股票基金在月度i的投资者行为特征数据， 所述股 票基金在月度i的基金 经理行为特 征数据， 其中： 所述投资者情绪指数按权利要求1 ‑4任一项所述的投资者情绪指数构建方法获 取， t‑W≤i≤t‑1， F为收益预测的时间周期； 采用获取到的W个月的历史截面数据实施对通过机器学习算法模型预先构建的收益预 测模型的训练， 获取训练好的收益预测模型； 采用训练好的所述收益预测模型预测所述股票基金在未来F个月的基金累计净值收益 率。 6.如权利要求5所述的累计净值收益率预测方法， 其特征在于， 所述股票基金在未来F 个月的基金累计净值收益 率， 表示如下： 其中， 表示所述股票基 金从预测月度t后的未来F个月的基金累计净值收益率， λt 表示所述股票基金在预测月度t的收益特征数据， Sentimentt表示所述股票基金在预测月 度t的所述投资者情绪指数， Investort表示所述股票基金在预测月度t的投资者行为特征 数据， Mana gert表示所述股票基金在预测月度t的基金 经理行为特 征数据。权　利　要　求　书 1/2 页 2 CN 114119233 A 27.如权利要求5所述的累计净值收益率预测方法， 其特征在于， 所述机器学习算法模型 为LASSO回归模型、 随机森林回归 模型、 梯度提升模型及前馈神经网络模型中的一种。 8.如权利要求5所述的累计净值收益 率预测方法， 其特 征在于： 所述收益特征数据包括过去1个月基金回报、 过去3个月基金回报、 过去6个月基金回 报、 过去9个月基金回报、 过去12个月基金回报、 过去12个月月收益自相关滞后1期、 过去12 个月月收益自相关滞后2期、 过去12个月月收益自相关滞后3期、 过去12个月月收益标准差、 过去12个月月收益夏普比例、 过去12个月月收益分布偏度、 过去12个月收益分布峰度、 过去 12个月中， 当基金指数收益为负时， 基金对应基金收益的均值、 Ω比率、 及过去12个月月收 益最大回撤； 所述投资者行为特 征数据包括机构净资金流、 个人 净资金流； 所述基金经理行为特征数据包括选股能力、 选股能力Alpha的t统计量、 择时能力、 择时 能力Alpha的t统计量、 行业 集中度及持股比例。 9.一种股票基金的累计净值收益 率预测装置， 其特 征在于， 其包括： 获取模块， 用于获取W个月的历史截面数据作为训练数据， 其中， 所述历史截面数据包 括： 所述股 票基金在月度i至月度i +F的基金累计净值收益率， 所述股 票基金在月度i的收益 特征数据， 所述股票基金在月度i的所述投资者情绪指数， 所述股票基金在月度i的投资者 行为特征数据， 所述股票基金在月度i的基金 经理行为特 征数据， 其中： 所述投资者情绪指数按权利要求1 ‑4任一项所述的投资者情绪指数构建方法获 取， t‑W≤i≤t‑1， F为收益预测的时间周期； 训练模块， 用于采用获取到的W个月的历史截面数据实施对通过机器学习算法模型预 先构建的收益预测模型的训练， 获取训练好的收益预测模型； 预测模块， 用于采用训练好的所述收益预测模型预测所述股票基金在未来F个月的基 金累计净值收益 率。 10.一种电子设备， 包括存储器、 处理器及存储在存储器 内并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现权利要求6至8任一项所述的异质性 主体市场模拟方法。权　利　要　求　书 2/2 页 3 CN 114119233 A 3