-
公开(公告)号:CN118822613B
公开(公告)日:2025-02-18
申请号:CN202411301326.8
申请日:2024-09-18
Applicant: 之江实验室
IPC: G06Q30/0202 , G06Q30/0203 , G06F40/216 , G06F40/284 , G06F16/353 , G06F18/2135 , G06N3/0455
Abstract: 本发明公开了一种基于混频数据的交易市场多级情绪分析方法及系统,包括:实时获取市场交易相关的多源异构混频数据集,包括低频宏观政策数据集、中频市场交易信息数据集、高频交易相关政策新闻语料库、以及专家市场情绪判断数据集;基于低频宏观政策数据集生成长期政策情绪指数;基于中频市场交易信息数据集剔除宏观政策指标的影响后,生成中期交易情绪指数;基于高频交易相关政策新闻语料库生成短期新闻情绪指数;基于长期政策情绪指数、中期交易情绪指数、短期新闻情绪指数、以及专家市场情绪判断数据集预测综合情绪指数;实时存储和展示所有情绪指数,能够实现更加合理和准确的交易市场多级情绪分析。
-
公开(公告)号:CN118691933B
公开(公告)日:2024-11-15
申请号:CN202411168955.8
申请日:2024-08-23
Applicant: 之江实验室
IPC: G06V10/80 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/098
Abstract: 本说明书公开了一种基于特征分布的模型训练方法和任务执行方法。所述模型训练方法包括:客户端获取本地的各样本图像,并确定每个样本图像对应的标签信息;针对每个样本图像,将该样本图像输入待训练的本地分类模型,确定该样本图像对应的数据特征并确定分类结果;根据每个样本图像的标签信息,确定每个样本图像对应数据特征的数据分布,并根据数据分布确定个体数据特征,将个体数据特征发送给服务器,服务器根据接收到的各客户端发送的个体数据特征,确定全局数据特征,并将全局数据特征返回给各客户端;根据分类结果和标签信息的之间偏差,以及个体数据特征和全局数据特征之间的偏差,确定损失值;根据损失值对本地分类模型的模型参数进行更新。
-
公开(公告)号:CN118822613A
公开(公告)日:2024-10-22
申请号:CN202411301326.8
申请日:2024-09-18
Applicant: 之江实验室
IPC: G06Q30/0202 , G06Q30/0203 , G06F40/216 , G06F40/284 , G06F16/35 , G06F18/2135 , G06N3/0455
Abstract: 本发明公开了一种基于混频数据的交易市场多级情绪分析方法及系统,包括:实时获取市场交易相关的多源异构混频数据集,包括低频宏观政策数据集、中频市场交易信息数据集、高频交易相关政策新闻语料库、以及专家市场情绪判断数据集;基于低频宏观政策数据集生成长期政策情绪指数;基于中频市场交易信息数据集剔除宏观政策指标的影响后,生成中期交易情绪指数;基于高频交易相关政策新闻语料库生成短期新闻情绪指数;基于长期政策情绪指数、中期交易情绪指数、短期新闻情绪指数、以及专家市场情绪判断数据集预测综合情绪指数;实时存储和展示所有情绪指数,能够实现更加合理和准确的交易市场多级情绪分析。
-
公开(公告)号:CN118799049A
公开(公告)日:2024-10-18
申请号:CN202411292326.6
申请日:2024-09-14
Applicant: 之江实验室
IPC: G06Q40/02 , G06F40/30 , G06F40/216 , G06N3/045 , G06N3/0442
Abstract: 本发明公开了一种基于多模态的银行间资金面情绪指数预测方法及装置,以解决单一数据源无法全面反映市场情绪变化的问题。获取金融领域的新闻数据、金融机构内部数据、宏观经济指数数据和市场交易数据;从金融领域的新闻数据和金融机构内部数据中提取文本特征;从宏观经济指数数据和市场交易数据中提取宏观经济指数特征;将所述文本特征和所述宏观经济指数特征进行融合,得到多模态特征;基于所述多模态特征进行资金面情绪指数预测。该方法有效提升了市场情绪的全面感知和预测能力。
-
公开(公告)号:CN118691933A
公开(公告)日:2024-09-24
申请号:CN202411168955.8
申请日:2024-08-23
Applicant: 之江实验室
IPC: G06V10/80 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/098
Abstract: 本说明书公开了一种基于特征分布的模型训练方法和任务执行方法。所述模型训练方法包括:客户端获取本地的各样本图像,并确定每个样本图像对应的标签信息;针对每个样本图像,将该样本图像输入待训练的本地分类模型,确定该样本图像对应的数据特征并确定分类结果;根据每个样本图像的标签信息,确定每个样本图像对应数据特征的数据分布,并根据数据分布确定个体数据特征,将个体数据特征发送给服务器,服务器根据接收到的各客户端发送的个体数据特征,确定全局数据特征,并将全局数据特征返回给各客户端;根据分类结果和标签信息的之间偏差,以及个体数据特征和全局数据特征之间的偏差,确定损失值;根据损失值对本地分类模型的模型参数进行更新。
-
-
-
-