［宋彥 黃俊楚］

1 引言

隨著交易規(guī)模的增長，市場(chǎng)結(jié)構(gòu)逐步優(yōu)化，中國的金融交易市場(chǎng)日趨成熟。金融交易市場(chǎng)的繁榮也離不開大數(shù)據(jù)與人工智能的支撐[1～4]。在認(rèn)知心理學(xué)中，人類心態(tài)信息的表達(dá)方式和方法往往是多個(gè)維度的，人類情感的表達(dá)方式也相對(duì)比較豐富。而在眾多表達(dá)方法中，圖像和文本數(shù)據(jù)可以高效地刻畫人類的心態(tài)信息。圖像和文本信息能夠很好地刻畫心態(tài)信息的情況，提取高質(zhì)量的心態(tài)特征對(duì)心態(tài)信息的準(zhǔn)確把握是至關(guān)重要的，但不同模態(tài)數(shù)據(jù)特征之間的相關(guān)度較低，為了獲取高性能的模型往往需要采集大量的數(shù)據(jù)樣本和相應(yīng)地對(duì)其進(jìn)行標(biāo)注和復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)[5]。在跨模態(tài)大模型（Cross-Modal Large Model，CMLM）中，CLIP（Contrastive Language-Image Pre-Training，對(duì)比語言-圖像預(yù)訓(xùn)練）模型可以作為不同模態(tài)數(shù)據(jù)的特征提取器，以減少對(duì)數(shù)據(jù)標(biāo)注代價(jià)的依賴并獲取高質(zhì)量的特征表達(dá)，是極具潛力的抽取心態(tài)高層語義信息的新興關(guān)鍵技術(shù)[6]-[10]。在此基礎(chǔ)上，將該技術(shù)應(yīng)用于抽取心態(tài)高層語義信息，將心態(tài)信息和交易預(yù)測(cè)信息進(jìn)行融合，從而實(shí)現(xiàn)心態(tài)與交易決策信息的融合是極具實(shí)際運(yùn)用意義的。

本文研究了一種基于CLIP 的交易預(yù)測(cè)方法。在預(yù)測(cè)模型中引入心態(tài)信息進(jìn)行分析決策。首先以桑坦德客戶交易預(yù)測(cè)問題為例，建立一個(gè)桑坦德客戶交易預(yù)測(cè)模型。其次是建立心態(tài)信息獲取模塊，心態(tài)信息包括跨模態(tài)的特征提取與融合，將圖像和文本信息描述進(jìn)行有效地融合。文本描述可以是對(duì)市場(chǎng)環(huán)境心理的描述，比如當(dāng)前投資環(huán)境對(duì)客戶心理的影響，也可以是客戶本身的情緒描述等，心態(tài)監(jiān)督信息則劃分為積極和消極兩個(gè)部分，積極的心態(tài)對(duì)交易決策起著積極的作用，消極的心態(tài)對(duì)交易決策起著消極的作用。最后建立基于心態(tài)的交易決策模型，將心態(tài)信息融合進(jìn)決策模型，對(duì)比加入心態(tài)信息前后交易預(yù)測(cè)結(jié)果的變化。實(shí)驗(yàn)結(jié)果表明，本文提出的基于CLIP 的交易預(yù)測(cè)模型能夠有效結(jié)合心態(tài)信息對(duì)決策影響的優(yōu)勢(shì)，更好的做出相應(yīng)的決策。

2 系統(tǒng)建模

2.1 模型基礎(chǔ)框架

基于CLIP 的交易預(yù)測(cè)模型的整體框架如圖1 所示，包括三個(gè)方面，分別是心態(tài)信息獲取模塊，交易決策模塊和基于心態(tài)的交易決策模塊。心態(tài)信息包括圖像和文本信息描述，圖像信息可以是客戶的表情圖片，如開心、失望等等，反映了客戶對(duì)于投資市場(chǎng)的心理預(yù)期；文本描述可以是對(duì)市場(chǎng)環(huán)境心理的描述，比如當(dāng)前投資環(huán)境對(duì)客戶心理的影響，也可以是客戶本身的情緒描述等。心態(tài)監(jiān)督信息則劃分為積極和消極兩個(gè)部分，積極的心態(tài)對(duì)交易決策起著積極的作用。桑坦德實(shí)際客戶信息則作為決策判斷的監(jiān)督信息，模型基于客戶提供的信息進(jìn)行學(xué)習(xí)并進(jìn)行判斷?；谛膽B(tài)的決策模型包括心態(tài)信息的獲取和與決策模型的融合。

圖1 基于CLIP 的交易預(yù)測(cè)模型整體框架

2.2 心態(tài)信息獲取模塊理論

在認(rèn)知心理學(xué)中，人類心態(tài)信息的表達(dá)方式和方法往往是多個(gè)維度的，人類情感的表達(dá)方式也相對(duì)比較豐富。而在眾多表達(dá)方法中，圖像和文本數(shù)據(jù)可以高效地刻畫人類的心態(tài)信息，因而本節(jié)采用這兩個(gè)維度的信息對(duì)心態(tài)特征進(jìn)行描述。圖像和文本信息能夠很好地刻畫心態(tài)信息的情況，提取高質(zhì)量的心態(tài)特征對(duì)心態(tài)信息的準(zhǔn)確把握是至關(guān)重要的，但不同模態(tài)數(shù)據(jù)特征之間的相關(guān)度較低，為了獲取高性能的模型往往需要采集大量的數(shù)據(jù)樣本和相應(yīng)地對(duì)其進(jìn)行標(biāo)注和復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。CLIP 模型相較于其他跨模態(tài)大模型具備更強(qiáng)的泛化能力和解釋性，此外CLIP 模型采用了對(duì)比學(xué)習(xí)和預(yù)訓(xùn)練的方法使得模型能夠在大規(guī)模無標(biāo)注數(shù)據(jù)上進(jìn)行訓(xùn)練，不需要大量的標(biāo)注數(shù)據(jù)。因此，本節(jié)利用跨模態(tài)的大模型CLIP 為不同模態(tài)數(shù)據(jù)的特征提取器，以減少對(duì)數(shù)據(jù)標(biāo)注代價(jià)的依賴和獲取高質(zhì)量的特征表達(dá)。

假設(shè)收集到客戶i的文本描述和圖像數(shù)據(jù)分別為Ti和Ij，分別經(jīng)過CLIP 的文本和圖像特征提取器以得到更好的特征表達(dá)，可得到對(duì)應(yīng)的特征為fi和gi。雖然圖像和文本特征描述的都是心態(tài)信息，但其描述的內(nèi)容及特征上存在差異，因而需要對(duì)不同模態(tài)的數(shù)據(jù)信息進(jìn)行有效地融合。本節(jié)對(duì)不同模態(tài)數(shù)據(jù)的特征進(jìn)行拼接，從而有效地保持了不同模態(tài)特征的信息，對(duì)拼接后的跨模態(tài)特征將其經(jīng)過后續(xù)神經(jīng)網(wǎng)絡(luò)進(jìn)行處理。對(duì)不同模態(tài)的數(shù)據(jù)進(jìn)行拼接可得到其融合的跨模態(tài)特征mi，可以描述為：

CLIP 模型經(jīng)過大規(guī)模的圖像-文本對(duì)的訓(xùn)練，因而其能夠提取到強(qiáng)大的特征表達(dá)。但在具體的任務(wù)上，如果不借助有效的監(jiān)督信息，其性能很難達(dá)到較優(yōu)的情況。本節(jié)利用少量的標(biāo)注信息使得該模型對(duì)具體的任務(wù)的性能進(jìn)一步提升，因而設(shè)計(jì)了跨模態(tài)的分類模塊，將上述心態(tài)的圖像和文本數(shù)據(jù)進(jìn)行標(biāo)注并訓(xùn)練。假設(shè)標(biāo)簽為yi，其中0代表消極心態(tài)，1 代表積極心態(tài)。通過網(wǎng)絡(luò)的訓(xùn)練可以使不同模態(tài)的數(shù)據(jù)獲取到其對(duì)應(yīng)的心態(tài)信息，跨模態(tài)融合網(wǎng)絡(luò)表示為，則網(wǎng)絡(luò)的訓(xùn)練損失為：

公式2 為標(biāo)準(zhǔn)的交叉熵?fù)p失函數(shù)，經(jīng)過網(wǎng)絡(luò)的訓(xùn)練，模型能夠?qū)μ崛〉奈谋久枋龊蛨D像信息進(jìn)行有效的判斷，對(duì)積極心態(tài)的圖像和文本描述，其輸出響應(yīng)接近1，而對(duì)于消極心態(tài)的文本描述，其輸出響應(yīng)接近0，少量樣本經(jīng)過網(wǎng)絡(luò)的監(jiān)督訓(xùn)練能夠從而有利于對(duì)心態(tài)信息的高層語義信息的抽取。將心態(tài)的響應(yīng)加入模型作為決策的參考并與其他文本信息綜合做決策，最終判定結(jié)果為0 和1 分別代表交易和不交易。

2.3 交易決策模塊理論

以桑坦德交易決策任務(wù)為例，該任務(wù)依據(jù)客戶的年齡，收入情況，工作單位，居住地點(diǎn)等對(duì)其交易決策進(jìn)行預(yù)測(cè)，數(shù)據(jù)集中包含了200 維的特征并進(jìn)行了信息脫敏和主成分分析。由于該數(shù)據(jù)特征的維度相對(duì)較低，不同于圖像數(shù)據(jù)集上萬的維度，難以直接采用當(dāng)前深度學(xué)習(xí)的基線網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，為此本節(jié)設(shè)計(jì)了一個(gè)高效的神經(jīng)網(wǎng)絡(luò)以處理這個(gè)問題。

整個(gè)網(wǎng)絡(luò)共7 層，包括四個(gè)全連接層和三個(gè)Relu 激活層，其中激活函數(shù)層可以為網(wǎng)絡(luò)引入較強(qiáng)的非線性，從而使得模型能夠處理非線性問題。桑坦德客戶交易數(shù)據(jù)共包括20 萬個(gè)樣本，其中14 萬個(gè)數(shù)據(jù)用于訓(xùn)練，6 萬個(gè)數(shù)據(jù)用于測(cè)試。數(shù)據(jù)集中進(jìn)行交易的樣本和不進(jìn)行交易的樣本之間的比例大約為1:9，呈現(xiàn)出明顯的類別不均衡問題，這將導(dǎo)致模型嚴(yán)重過擬合于不進(jìn)行交易的數(shù)據(jù)樣本，難以有效學(xué)習(xí)。因此本節(jié)對(duì)數(shù)據(jù)集按照7:3 的原則切分為訓(xùn)練集和測(cè)試集，并采用類別均衡的訓(xùn)練方法，以緩解數(shù)據(jù)集存在的類別不均衡問題。

訓(xùn)練數(shù)據(jù)中的正樣本（進(jìn)行交易的數(shù)據(jù)樣本）和負(fù)樣本（不進(jìn)行交易的數(shù)據(jù)樣本）分別標(biāo)記為x+和x-，交易監(jiān)督信息為實(shí)際交易中是否進(jìn)行，0 代表不交易，1 代表交易。網(wǎng)絡(luò)表示為，利用標(biāo)記信息對(duì)正負(fù)樣本進(jìn)行均衡采樣，即訓(xùn)練過程中采樣的小批量正樣本和負(fù)樣本的數(shù)量是一樣的，網(wǎng)絡(luò)的訓(xùn)練目標(biāo)函數(shù)為：

網(wǎng)絡(luò)的訓(xùn)練過程中分別采樣正負(fù)樣本，正樣本的采樣頻率得以增加，通過采樣的方式調(diào)整不同數(shù)據(jù)分布的差異，使得不同類別的數(shù)據(jù)在樣本規(guī)模差異較大的背景下也能獲得較好的泛化性能。

2.4 基于心態(tài)的交易決策模塊理論

交易決策模型中能夠把握客戶的絕大多數(shù)關(guān)鍵特征，從而對(duì)其交易決策進(jìn)行有效的預(yù)測(cè)，然而客戶的決策往往也跟心態(tài)有著密切的關(guān)系，為此本節(jié)提出將心態(tài)信息融合進(jìn)決策模型，并提出了基于心態(tài)的決策模型。由于深度神經(jīng)網(wǎng)絡(luò)的特征提取是層層遞進(jìn)的，較高層級(jí)的特征具備更高的語義特性，接近分類層的特征能夠更能夠反映心態(tài)信息的語義信息，因此本節(jié)將心態(tài)信息和交易預(yù)測(cè)信息進(jìn)行融合，從而實(shí)現(xiàn)心態(tài)與交易決策信息的融合?？蛻艚灰讛?shù)據(jù)經(jīng)過網(wǎng)絡(luò)訓(xùn)練之后參數(shù)是確定的，且訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)是同分布的，因此其可直接用于測(cè)試數(shù)據(jù)。對(duì)于客戶數(shù)據(jù)樣本x而言，經(jīng)過網(wǎng)絡(luò)提取的交易決策特征為h(x)，而多模態(tài)心態(tài)數(shù)據(jù)融合的特征為c(mi)，結(jié)合心態(tài)信息對(duì)決策特征進(jìn)行修正并考慮心態(tài)信息對(duì)最終決策行為影響的程度，本節(jié)采用心態(tài)信息和決策特征凸組合的方式，對(duì)決策行為進(jìn)行修正，修正后的決策特征可以表示為：

其中λ為超參數(shù)，可以控制心態(tài)信息在交易決策中的比重。經(jīng)過心態(tài)信息修正后的決策特征為2 維的向量，對(duì)其進(jìn)行softmax 激活之后可以得到?jīng)Q策行為的概率判斷，假設(shè)其第一維的特征為r(x)0，第二維的特征為r(x)1，經(jīng)過softmax 激活函數(shù)的歸一化處理之后其決策概率可以表示為：

其中p代表決策為不交易的概率，1-p代表決策為交易的概率。當(dāng)p大于1-p時(shí)，交易決策為不交易，反之則決策為進(jìn)行交易。將心態(tài)信息和決策信息的特征進(jìn)行融合，能夠直接將心態(tài)信息融合進(jìn)行決策模型中，并可通過實(shí)際任務(wù)學(xué)習(xí)到適當(dāng)?shù)某瑓?quán)重λ，從而更好地建模實(shí)際交易決策中心態(tài)數(shù)據(jù)的影響。

3 軟件架構(gòu)

3.1 整體網(wǎng)絡(luò)設(shè)計(jì)

本節(jié)提出的基于心態(tài)的交易決策模型包括三個(gè)模塊，一是心態(tài)信息獲取模塊，二是交易預(yù)測(cè)模塊，三是基于心態(tài)決策的交易預(yù)測(cè)模塊。所有網(wǎng)絡(luò)模型都基于Pytorch 框架實(shí)現(xiàn)，且可以通過自動(dòng)求導(dǎo)機(jī)制高效地求解。

3.2 心態(tài)信息獲取模塊

心態(tài)信息的輸入包括心態(tài)信息對(duì)應(yīng)的圖像和文本描述數(shù)據(jù)。網(wǎng)絡(luò)架構(gòu)上除了利用CLIP 模型作為特征提取模塊之外，還需要設(shè)計(jì)跨模態(tài)融合模塊以提高心態(tài)信息的提取能力。

3.2.1 特征提取模塊

CLIP 模型具有強(qiáng)大的特征表達(dá)能力，因此適合作為本項(xiàng)目中的跨模態(tài)數(shù)據(jù)處理模塊的特征提取器。圖2 展示了CLIP 模型的細(xì)節(jié)，不同模態(tài)的數(shù)據(jù)經(jīng)過不同的編碼網(wǎng)絡(luò)提取特征，再利用視覺和文本特征做相關(guān)，使得不同模態(tài)的數(shù)據(jù)特征得以聯(lián)合學(xué)習(xí)。由于CLIP 模型已經(jīng)經(jīng)過4億個(gè)圖像文本對(duì)的訓(xùn)練，因而已經(jīng)具備了較強(qiáng)的特征學(xué)習(xí)能力。網(wǎng)絡(luò)采用Transformer 結(jié)構(gòu)，將輸入圖像和文本切割成序列進(jìn)行輸入，經(jīng)過Transformer Encoder 作為特征提取器得到其不同模態(tài)數(shù)據(jù)的特征。由于CLIP 已經(jīng)得到了很好地訓(xùn)練，因此在網(wǎng)絡(luò)搭建時(shí)這部分的參數(shù)是不進(jìn)行更新的，可以直接利用大模型為不同模態(tài)的數(shù)據(jù)進(jìn)行特征的提取。

圖2 CLIP 模型結(jié)構(gòu)細(xì)節(jié)圖

3.2.2 跨模態(tài)數(shù)據(jù)融合模塊的設(shè)計(jì)

心態(tài)決策模型的輸入包含了不同模態(tài)的數(shù)據(jù)，而不同模態(tài)數(shù)據(jù)之間的差異較大，為了最大化保持不同模態(tài)數(shù)據(jù)的特性，本節(jié)將其特征進(jìn)行了拼接并設(shè)計(jì)了對(duì)應(yīng)的特征融合模塊。實(shí)際上由于文本和圖像的在表達(dá)方式上的差異性較大，模型如果提取的不同類型數(shù)據(jù)的特征表達(dá)差異過大，這將不利于模型的訓(xùn)練穩(wěn)定和學(xué)習(xí)。將文本和圖像對(duì)進(jìn)行關(guān)聯(lián)所需要的訓(xùn)練數(shù)據(jù)的規(guī)模較大，這也造成心態(tài)模型訓(xùn)練的代價(jià)加大。為了解決上述問題，本節(jié)設(shè)計(jì)的網(wǎng)絡(luò)框架通過全連接層和權(quán)重歸一化層，對(duì)融合特征進(jìn)行處理，以滿足少數(shù)據(jù)情況下的網(wǎng)絡(luò)微調(diào)。CLIP 模型輸出的圖像特征維度為512 維，文本特征維度也為512 維，拼接之后的特征維度為1 024 維，因此全連接層的參數(shù)為1 024x2,將文本特征和圖像特征融合后直接進(jìn)行預(yù)測(cè)。同時(shí)采用權(quán)重歸一化層使得模型避免過擬合。通過監(jiān)督訓(xùn)練的方法微調(diào)，從而使得心態(tài)模型在最終決策部分給出精準(zhǔn)的指導(dǎo)。

3.3 基于心態(tài)的交易決策預(yù)測(cè)模塊

3.3.1 數(shù)據(jù)預(yù)處理

桑坦德客戶交易決策數(shù)據(jù)的原始數(shù)據(jù)各個(gè)維度的取值范圍差異較大，如果直接利用這些數(shù)據(jù)進(jìn)行學(xué)習(xí)會(huì)導(dǎo)致網(wǎng)絡(luò)過擬合在少數(shù)幾個(gè)特征上，在實(shí)際測(cè)試數(shù)據(jù)的泛化性能將降低。為了避免這一點(diǎn)，本節(jié)采用0-1 歸一化的方式，利用該維度取值的最大最小值對(duì)特征進(jìn)行預(yù)處理，即：

交易決策模塊需要直接對(duì)客戶數(shù)據(jù)的決策進(jìn)行預(yù)測(cè)，Resnet 是當(dāng)前圖像類別預(yù)測(cè)中使用最為廣泛的深度學(xué)習(xí)模型，能夠?qū)Υ罅康挠?xùn)練數(shù)據(jù)進(jìn)行有效地學(xué)習(xí)，并且提取到具備判別性信息的特征[11～15]，但由于其處理的往往是圖像這種高維度數(shù)據(jù)，而對(duì)于客戶數(shù)據(jù)200 維度的分析，Resnet 并不能展現(xiàn)出其優(yōu)勢(shì)。為了處理交易決策信息，本節(jié)設(shè)計(jì)了7 層的神經(jīng)網(wǎng)絡(luò)，用于處理低維數(shù)據(jù)。網(wǎng)絡(luò)的具體結(jié)構(gòu)細(xì)節(jié)如圖3 所示。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)細(xì)節(jié)圖

圖4 心態(tài)信息對(duì)交易決策的影響

圖5 超參數(shù)的選擇對(duì)交易決策行為的影響程度圖

全連接層可以對(duì)特征進(jìn)行有效地處理，而Relu 激活函數(shù)通過引入非線性的特性，使得網(wǎng)絡(luò)能夠處理非線性的問題。Relu 函數(shù)的表達(dá)式為

經(jīng)過多層Relu 激活函數(shù)的處理，網(wǎng)絡(luò)能夠?qū)W習(xí)到?jīng)Q策數(shù)據(jù)的關(guān)鍵特征進(jìn)而降低交易決策預(yù)測(cè)的難度。

4 實(shí)驗(yàn)結(jié)果分析

4.1 數(shù)據(jù)描述

本文實(shí)驗(yàn)采用桑坦德交易決策任務(wù)數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)為14 萬桑坦德實(shí)際客戶交易數(shù)據(jù)。該數(shù)據(jù)集包含了客戶的年齡，收入情況，工作單位，居住地點(diǎn)等信息，共200維的特征，并進(jìn)行了信息脫敏和主成分分析。此外，本文實(shí)驗(yàn)中采用的預(yù)訓(xùn)練模型為VIB-B-32。

4.2 實(shí)驗(yàn)分析

首先研究了交易人數(shù)在加入心態(tài)信息時(shí)變化的情況，即心態(tài)信息對(duì)交易決策的影響。設(shè)置神經(jīng)網(wǎng)絡(luò)超參數(shù)的學(xué)習(xí)率設(shè)定為0.01，訓(xùn)練迭代次數(shù)為200 000，測(cè)試數(shù)據(jù)為6 萬個(gè)數(shù)據(jù)樣本。

其次研究了超參數(shù)選取對(duì)決策行為的影響，即心態(tài)特征信息與決策特征的比重對(duì)交易決策行為的影響程度，如

圖6 研究了超參數(shù)選擇對(duì)交易決策預(yù)測(cè)準(zhǔn)確率的影響程度。圖中橫坐標(biāo)表示超參數(shù)λ的取值，縱坐標(biāo)表示分別加入積極和消極心態(tài)特征信息之后預(yù)測(cè)客戶進(jìn)行交易決策的準(zhǔn)確率。當(dāng)不加入心態(tài)信息時(shí)，即λ=0，準(zhǔn)確率為90.4%。當(dāng)加入積極的心態(tài)信息，且占比為10%(λ=0.1)時(shí)，準(zhǔn)確率下降為87.5%。若繼續(xù)增大心態(tài)特征信息的比例至20%(λ=0.2)時(shí)，準(zhǔn)確率下降為46.6%。圖中結(jié)果顯示當(dāng)增大心態(tài)特征信息的比例至40%以上(λ＞0.4)時(shí)準(zhǔn)確率保持不變，達(dá)到10.2%，這也說明心態(tài)特征信息在交易決策中的影響已經(jīng)遠(yuǎn)遠(yuǎn)超過其他特征信息了，已經(jīng)成為交易決策的主導(dǎo)因素。當(dāng)加入消極心態(tài)信息時(shí)，當(dāng)心態(tài)特征信息的比例至30%以上(λ＞0.3)時(shí)，準(zhǔn)確率維持在89.8%不變。因此在基于心態(tài)的交易決策模型中，結(jié)合心態(tài)特征信息占所有決策特征的比重對(duì)交易決策行為準(zhǔn)確率的影響程度以及對(duì)交易決策行為的影響程度，可以選取合適的超參數(shù)以建模決策模型中心態(tài)因素的影響。

圖6 超參數(shù)的選擇對(duì)交易決策準(zhǔn)確率的影響程度

進(jìn)一步為了展示客戶交易預(yù)測(cè)概率的影響，圖7 展示了挑選的19 個(gè)客戶在加入心態(tài)信息時(shí)交易預(yù)測(cè)模型預(yù)測(cè)其進(jìn)行交易的概率。從圖中可以看出當(dāng)不加入心態(tài)信息時(shí)，絕大多數(shù)客戶的預(yù)測(cè)是不進(jìn)行交易，加入積極的心態(tài)信息之后，客戶選擇進(jìn)行交易的概率基本都提升了，加入消極心態(tài)之后，客戶選擇進(jìn)行交易的概率大部分都有所下降，這表明心態(tài)信息對(duì)不同客戶的影響存在差異，其交易決策還與其原本的特征高度相關(guān)，因而能夠很好地保留原始交易決策模型的特征。

圖7 加入心態(tài)信息對(duì)預(yù)測(cè)客戶交易的影響

5 結(jié)語

伴隨著人工智能在業(yè)界的廣泛應(yīng)用，金融領(lǐng)域的投資者已不再滿足于以往基于金融專家的決策制定，各種深度學(xué)習(xí)算法與金融工程領(lǐng)域的結(jié)合應(yīng)運(yùn)而生?；诖?，本文針對(duì)客戶交易預(yù)測(cè)模型的需求，在預(yù)測(cè)模型中引入心態(tài)信息進(jìn)行分析決策。首先設(shè)計(jì)了一個(gè)高效的神經(jīng)網(wǎng)絡(luò)以建立一個(gè)桑坦德客戶交易預(yù)測(cè)模型。其次建立心態(tài)信息獲取模塊，包括圖像和文本信息描述。最后建立基于心態(tài)的交易決策模型，將心態(tài)信息融合進(jìn)決策模型，對(duì)比加入心態(tài)信息前后交易預(yù)測(cè)結(jié)果的變化。實(shí)驗(yàn)結(jié)果表明，本文所提出的基于CLIP 的交易預(yù)測(cè)模型能夠有效結(jié)合心態(tài)信息對(duì)決策影響的優(yōu)勢(shì)，更好的做出相應(yīng)的決策。