公开(公告)号：CN118261281A

公开(公告)日：2024-06-28

申请号：CN202410125808.6

申请日：2024-01-30

Applicant: 复旦大学

Inventor： 叶广楠 ,  刘森 ,  夏红杰

IPC: G06Q10/04 ,  G06Q40/04 ,  G06F18/213 ,  G06F18/25 ,  G06N3/045 ,  G06N3/0499 ,  G06N3/0464 ,  G06N3/0985 ,  G06F18/21 ,  G06F18/214 ,  G06F18/22

Abstract: 本发明提供了一种基于通道独立性的时空图神经网络股票数据预测方法，具有这样的特征，包括以下步骤：步骤S1，采集多个股票的股市数据，并分别构建对应的时序市场行情数据；步骤S2，对各个股票对应的时序市场行情数据分别进行第一数据预处理，得到对应的时序数据；步骤S3，根据所有时序数据构建在各个通道上的超图；步骤S4，对所有时序数据和超图输入预测模型，得到数据预测结果。总之，本方法能够提高对股票数据预测的鲁棒性和预测准确度。

公开(公告)号：CN120013665A

公开(公告)日：2025-05-16

申请号：CN202510008963.4

申请日：2025-01-03

Applicant: 复旦大学

Inventor： 叶广楠 ,  张立锋 ,  崔毅浩 ,  刘森 ,  柴洪峰

IPC: G06Q40/04 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094

Abstract: 本发明提供一种利用混合生成式对抗网络的流水数据生成方法，对原始交易流水数据中的重复交易进行了聚合并将其结构化，生成原始交易网络图，将其用于图生成模块的训练，因此图生成模块能够学习到真实交易网络结构中的拓扑结构特征，生成接近真实的交易网络结构；进一步，由于分别通过图生成模块和表格数据生成模块生成了交易网络图和交易流水数据，再将其进行整合得到优化后的数据，通过两个模块的有机结合，能够生成既保留数据分布特征又具备真实交易结构的高质量合成数据，弥补了现有的深度学习模型难以捕捉交易流水数据的结构特征性的短板，进一步提高了交易流水数据的合成质量。

公开(公告)号：CN118036802A

公开(公告)日：2024-05-14

申请号：CN202410125840.4

申请日：2024-01-30

Applicant: 复旦大学

Inventor： 叶广楠 ,  刘森 ,  夏红杰

IPC: G06Q10/04 ,  G06Q40/04 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明提供了一种基于Transformer的股票数据预测方法，具有这样的特征，包括以下步骤：步骤S1，构建初始股票数据预测模型；步骤S2，根据现有的股市数据构建训练集，对初始股票数据预测模型进行训练，得到股票数据预测模型；步骤S3，采集多个股票的股市数据，并分别构建对应的时序数据；步骤S4，将所有时序数据输入股票数据预测模型，得到数据预测结果。总之，本方法能够提高对股票的数据预测结果的鲁棒性和预测准确度。