嵌入互聯網輿情強度的人民幣匯率預測

王吉祥 過弋 戚天梅 王志宏 李真 湯敏偉

摘 要：針對目前人民幣匯率預測研究存在的數據源單一導致難以提升預測效果的問題，提出一種嵌入互聯網輿情強度的預測技術，通過融合多方面數據源進行對比分析，有效降低了人民幣匯率的預測誤差。首先，融合互聯網外匯新聞數據和歷史行情數據，并將多源文本數據轉化為可計算的特征向量;其次，通過情感特征向量構建五種特征組合并對其進行對比，給出了嵌入互聯網輿情強度的特征組合作為預測模型輸入;最后，設計外匯輿情影響匯率預測的滑動時間窗口，建立基于機器學習的匯率預測模型。實驗結果表明，嵌入互聯網輿情的特征組合相對于不含輿情的特征組合在均方根誤差（RMSE）和平均絕對誤差（MAE）上分別提升了9.8%和16.2%;此外，長短期記憶網絡（LSTM）預測模型比支持向量回歸（SVR）、決策回歸（DT）和深度神經網絡（DNN）預測模型表現更好。

關鍵詞：機器學習;文本向量化;輿情影響力;匯率預測;滑動時間窗口

中圖分類號：TP391

文獻標志碼：A

RMB exchange rate forecast embedded with Internet public opinion intensity

WANG Jixiang1， GUO Yi1，2，3*， QI Tianmei1， WANG Zhihong1， LI Zhen4， TANG Minwei4

1.School of Information Science and Engineering， East University of Science and Technology， Shanghai 200237， China;

2.National Engineering Laboratory for Big Data Distribution and Exchange Technologies， Shanghai 200237， China;

3.Shanghai Engineering Research Center of Big Data and Internet Audience， Shanghai 200072， China;

4.Department of Risk Management， China Telecom BestPay Company Limited， Shanghai 200085， China

Abstract：

Aiming at the low prediction effect caused by single data source in the current RMB exchange rate forecast research， a forecast technology based on Internet public opinion intensity was proposed. By comparing and analyzing various data sources， the forecast error of RMB exchange rate was effectively reduced. Firstly， the Internet foreign exchange news data and historical market data were fused， and the multisource text data were converted into the computable vectors. Secondly， five feature combinations based on sentiment feature vectors were constructed and compared， and the feature combination embedded with intensity of Internet public opinion was given as the input of forecast models. Finally， a temporal sliding window of foreign exchange public opinion data was designed， and an exchange rate forecast model based on machine learning was built. Experimental results show that feature combination embedded with Internet public opinion outperforms the feature combination without public opinion by 9.8% and 16.2% in Root Mean Squared Error （RMSE） and Mean Squared Error （MAE）. At the same time， the forecast model based on Long ShortTerm Memory network （LSTM） is better than that based on Support Vector Regression （SVR）， Decision Tree regression （DT） and Deep Neural Network （DNN）.

Key words：

machine learning; text embedding; public opinion impact; exchange rate forecast; temporal sliding window

0?引言

人民幣匯率預測一直是廣大學者和研究者關注的話題與方向。近年來中美貿易失衡有加劇的趨勢，美國政府將其對中國巨額貿易赤字的根源歸咎于人民幣幣值的低估，并將人民幣兌美元匯率視為影響中美雙方經貿關系的焦點問題[1]， 因此，在當下人民幣匯率雙向波動和彈性擴大的環境中，對人民幣匯率進行有效預測，對于指導個人投資行為、幫助企業制定科學的國際貿易決策以及國家外匯儲備資產管理和外匯風險防范都有著重要的意義[2]。

人民幣匯率走勢的預測及分析是許多金融領域學者們關注并研究的方向，但是結合輿情數據去預測短期內人民幣匯率的漲幅卻少有研究。多數文獻對人民幣匯率的研究是利用宏觀經濟學與計量統計學的模型去擬合人民幣匯率的曲線，但是這種方法不能預測匯率在外界金融事件和輿情影響下的波動。實際上，影響匯率的諸多因素中除了定量的實際觀測數據，像輿情這類非結構化的定性數據也具有很大的影響力。互聯網的快速發展，提升了輿情傳播對經濟社會的影響力。尤其是各種新型網絡平臺的出現，使信息的傳播更加快速，滲透更為深刻。網絡輿情數據不僅對股票價格[3]和商品價格有影響，對外匯匯率也有極大的影響。

為了應對上述挑戰，本文在融合了互聯網輿情數據和人民幣匯率歷史數據的基礎上，設計輿情影響人民幣匯率預測的滑動時間窗口并構建預測模型。本文主要貢獻如下：

1）嵌入互聯網輿情情感，并對比詞向量、情感極性、情感強度等不同嵌入方式的預測效果;

2）根據輿情時效性較短的特點，設計了輸入向量滑動窗口和預測滯后滑動窗口;

3）在真實的人民幣匯率數據集上進行實驗，驗證本文提出的方法能夠提高預測效果。

1?相關工作

1.1?輿情影響力

輿情事件在互聯網中的發展像生物一樣會經歷出生、成長、衰老和死亡的過程。某一輿情事件的發生，通常會伴隨網絡輿情信息的傳播。文獻[4]提到公共危機事件的網絡輿情生命周期有潛伏期、成長期、爆發期和平息期。文獻[5]的實驗曲線趨勢表明，輿情參與人數和轉發頻次的演化特征幾乎一致。網絡輿情的傳播會在前期爆發時到達一個高峰，消退一段時間后還會漲到另一個高峰，在這之后一段時間會慢慢削弱。

行為經濟學表明，公眾輿論深刻影響個人行為和決策[6]。文獻[7]表明網絡輿情通過影響入市資金流進一步影響股市行情;文獻[8]證實并分析了基于微博的投資者情緒對股票市場的影響，輿情可以在一定程度上預測股票價格;文獻[9]將非結構化文本數據轉化為結構化的特征向量矩陣，與股票的收益率建立支持向量回歸（Support Vector Regression， SVR），研究結果表明，預測的股價漲跌趨勢與實際趨勢基本吻合，可以通過分析網絡輿情來對股市未來發展趨勢進行預測;文獻[10]分別從社交媒體和財經新聞中的文本信息中捕捉社會情感和專業意見，然后通過張量表示由這兩個信息源組成的整個市場信息空間以及公司特征。實驗表明與傳統的基于矢量的系統相比，從多信息源的聯合效應角度研究社會情緒作用的智能系統更有效。上述的文獻足以說明網絡輿情的直接影響力非常之大，能夠影響人民幣匯率并能在預測方面作出貢獻。然而沒有文獻給出輿情影響力與時間的具體函數關系，無法量化輿情具體的影響力值。

1.2?價格預測模型

學者們對于人民幣匯率預測模型研究文獻較少，所以作者也查閱了股票價格預測的文獻。研究者們多數利用機器學習和神經網絡來研究對價格的預測。機器學習算法主要包括支持向量回歸（SVR）和人工神經網絡等。文獻[2]運用SVR方法對人民幣匯率進行實證預測，結果表明基于SVR的匯率預測方法在預測精度和穩定性方面優于對照模型，更能體現匯率行為所反映的經濟因素;文獻[11]驗證了SVR有助于使用機器人技術自動作出外匯市場中買/賣的交易決策;文獻[12]從Twitter捕獲1-170-414個數據點，并使用文本挖掘方法提取情緒并應用于SVR提高預測效果;文獻[13]使用帶有延遲因子的前饋神經網絡能較好地預測短期的外匯匯率。隨著深度學習的快速發展，其應用變得更加廣泛，尤其是卷積神經網絡（Convolutional Neural Network， CNN）算法和循環神經網絡（Recurrent Neural Network， RNN）算法等。文獻[14]表明與機器學習方法相比，基于CNN的預測模型可以有效提高長期預測的準確性;基于RNN和門控遞歸單位的模型[15]來預測中國股市的股票能夠獲得良好的預測性能;文獻[16]使用在線股票論壇的信息融合股票市場數據，通過RNN實現預測，實驗結果表明模型在帶情感的數據上表現明顯更好。

綜合上述文獻，學者們在預測人民幣匯率上已有多方面的研究與實驗，但仍有空白之處： 第一，沒有將外匯輿情數據作為人民幣匯率預測的基礎，忽略了匯率受外界事件的影響。互聯網外匯輿情的影響力不容小覷; 第二，缺少外匯輿情影響人民幣匯率的滑動時間窗口，忽略了輿情的時效性和情感特點。隨著時間的增加，輿情影響力會有不同的變化且有延遲現象， 設計外匯輿情影響匯率預測的滑動時間窗口能夠改善這個問題， 所以本文將重點研究設計外匯輿情影響人民幣匯率預測的滑動時間窗口以及融合網絡輿情數據和歷史行情數據，利用機器學習方法構建人民幣匯率預測模型，最后對比四組預測算法并進行分析與評估。

2?準備性研究工作

2.1?數據準備

本文實驗的數據均通過Python編寫的爬蟲工具采集。目前具有較大影響力的財經資訊網站主要包括華爾街見聞（https：//wallstreetcn.com）、路透社、彭博新聞社等。華爾街見聞作為一個綜合多信息源的集成者，在其相關領域具有很大的參考價值，因此本文將其作為實驗研究的數據源。本文實驗采用2016-06-30—2017-12-29共369個交易日的歷史行情數據和外匯輿情數據。

歷史行情數據示例如表1所示，字段包含時間和人民幣匯率（美元兌人民幣）。互聯網外匯新聞數據示例如表2所示，采集的字段有包括發布時間和新聞內容。

發布時間新聞內容

2016-06-30T15：23新浪援引外媒稱，中國央行愿意讓人民幣匯率在今年降至1美元兌6.8元

2016-06-30T17：07BBH高級副總裁Marc Chandler：英鎊的走勢和基本面并沒有關系，反彈的原因是空頭平倉以及機構投資者在月末和季末調整倉位

2016-06-30T18：10MBM研究團隊首席研究員Richard Cox：瑞士央行如市場預期維持了其擴張性的貨幣政策，理事會主席Thomas Jordan也承認負利率政策還將會維持一段時間

2016-07-01T16：20【提醒】北京時間16：30將公布英國6月制造業PMI

2.2?數據預處理

本文的互聯網輿情數據的預處理主要包括：對文本進行分詞、替換文本中特殊符號、去除低頻詞和停用詞等。

實驗采用jieba分詞工具，它的分詞模式有三種：精確模式、全模式和搜索引擎模式。精確模式試圖將句子最精確地切開，適合文本分析，并且速度非常之快。

在信息檢索和自然語言處理的過程中，為了節省存儲空間和提高檢索效率，需要過濾掉一些對當前實驗無用且沒有含義的字詞和符號，這些字詞和符號就叫作停用詞。本實驗采用的是哈爾濱工業大學停用詞表和百度停用詞表的結合。

2.3?文本數據特征化

本文的互聯網外匯輿情數據來源于華爾街見聞，爬取的新聞數據包含了諸多與外匯領域有關的情感詞及其情感強度。本文利用公共情感分析工具將互聯網新聞數據處理成特征向量，并將其作為預測模型的輸入來預測人民幣匯率，具體分析流程如圖1所示。

為了探究互聯網輿情對人民幣預測的影響，本文分別將數據處理成5種特征維度的數據，如表3所示，其中：PT代表人民幣歷史匯率特征，PT&WV代表人民幣歷史匯率和新聞詞向量的特征組合，PT&PV代表人民幣歷史匯率和新聞情感極性值的特征組合，PT&QV代表人民幣歷史匯率和新聞情感強度值的特征組合，PT&CQ代表人民幣歷史匯率和新聞情感強度的變化值的特征組合。

3?美元兌人民幣匯率預測模型實現

本文實驗的技術路線第一階段如圖2所示，第二階段如圖3所示。

本文首先采集互聯網外匯輿情數據和人民幣歷史行情數據，并將文本型數據處理成特征向量; 進而設計了滑動時間窗口以探究輿情對匯率預測的影響; 接著基于機器學習構建人民幣匯率預測模型，包括SVR[17]、決策樹回歸（Decision Tree regression， DT）[18]、深度神經網絡（Deep Neural Network， DNN）[19]和長短期記憶網絡（Long ShortTerm Memory network， LSTM）[20]; 最后對預測模型進行對比和評估。

3.1?特征組合的選擇

本文實驗開發環境為Pycharm64，開發語言為Python3.6，操作系統為Windows 10。本次實驗建立的SVR價格預測模型和DT價格預測模型，直接使用了Python自帶的Sklearn[21]里的工具包，DNN和LSTM模型在Keras框架上實現。

回歸算法的常用評估方法有均方根誤差（Root Mean Squared Error， RMSE）和平均絕對誤差（Mean Absolute Error， MAE），見式（1）和式（2）。RMSE和MAE越小，代表預測的誤差越小，預測效果越好。

RMSE=∑mi=1（yt-yt′）2m（1）

MAE=∑mi=1yt-yt′m（2）

其中：m為樣本數量，y為標簽值，y′為預測的真實值。

為了對比分析五種特征組合對人民幣匯率預測結果的影響力，分別用以上兩種評價指標對其進行評估。以LSTM算法為例（采樣時間為30min），其他參數均為默認值，滑動窗口分別為1，2，…，80。

由表4均值可得，PT&CQ和PT&QV的RMSE相對最小，相比于PT提高了9.8%。說明歷史行情數據加上情感強度及其變化值的特征組合RMSE效果最好。PT& CQ的MAE相對其他數據來說較低，相比于PT降低了16.2%。說明加上情感強度值變化的數據表現效果最好。

綜上所述，融合外匯領域互聯網輿情數據的混合特征組合（PT&WV、PT&PV、PT&QV和PT&CQ）比僅含有歷史行情數據的預測效果要更好。而在這些混合特征組合中， PT&WV包含了互聯網外匯新聞的詞向量特征，計算了每條新聞中的所有詞匯的詞向量。這使PT&WV含有更多的信息量，實驗證實了其效果比PT要好。PT&CQ的RMSE值和MAE值都相對較低。由于PT&CQ包含了互聯網外匯輿情的強度值的變化，能夠較好地反映出互聯網輿情的情感變化情況，因此對人民幣匯率的預測幫助較大。接下來將基于預測效果最好的PT&CQ特征組合進行實驗。

3.2?輸入向量窗口的設定

訓練模型輸入的向量中包含的時間節點越多能表達越多的信息量，但是窗口太大會增加算法復雜度從而影響模型的運行效率， 所以本文仍需尋找一個最優的時間節點個數作為滑動窗口的大小。本節除采用PT&CQ作為輸入向量外，其余實驗配置和參數設置均與3.1節相同。

從圖4可得，PT&CQ預測結果的RMSE在窗口值為[1，5]時較小，值在0.003-5附近波動。窗口值為[5，70]逐漸上升到最大值，隨后略有下降并在0.005值上下波動。考慮到能夠盡量多地輸入時間點特征為模型提供更多的信息量，本文將訓練模型的最佳輸入窗口值定為5。

3.3?預測滯后窗口的設定

由3.2節的實驗結果得知，訓練模型時輸入向量的窗口為5預測效果最好。此時，訓練輸入的特征維度包括5個時間節點的特征（每個時間節點特征為44維），用這些特征維度去預測第6個時間節點和第7個時間節點將得到不一樣的預測結果。所以在得知最優訓練輸入窗口的情況下，本文仍需尋找最優的預測滯后窗口。由于訓練輸入窗口為5，按常理可知預測滯后窗口不應該大于5，即在[0，5]中尋找最優的預測滯后窗口。本節的實驗配置與參數設置與3.1節的實驗相同。

從表5可得，在數據訓練輸入窗口為5并采取不同預測滯后窗口時，預測結果的RMSE值在窗口值的整個取值區間逐漸增大，最小值為0.022-3，最大值為0.056-0。MAE值表現相似，在區間內逐漸增大，最小值為0.014-2，最大值為0.040-4。綜合表現結果來看，預測滯后窗口值為0時效果最好。

預測滯后窗口較小時預測結果的RMSE和MAE值較低。這樣的結果可能是由于滯后的窗口越大，窗口中的信息被拋棄，使得模型訓練時遺失了距離預測時間點最近的信息，從而導致了預測結果不理想。

3.4?預測模型參數尋優

本文實驗的預測模型選取了SVR、DT、DNN和LSTM四種方法進行對比分析。SVR的核函數為徑向基函數，DT的樹深為20，其他參數都采用了默認的參數。在DNN和LSTM模型中，一般認為增加隱層數可以降低網絡誤差，提高精度，但也使網絡復雜化，從而增加了網絡的訓練時間和出現“過擬合”的傾向。所以本文實驗在設計神經網絡層數時考慮3層網絡（有2個隱層），靠調節隱層節點數來獲得較低的誤差，這樣的訓練效果要比增加隱層數更容易實現[22]。

如何尋找這個最佳隱節點數，學者們給出了一些方案，見式（3）～（5）：

∑ni=0Cin1>k（3）

其中：k為樣本量，n1為隱層節點數， n為輸入層節點數。當i>n1時，Cin1=0。

n1=（n+m）12+a （4）

其中：n為輸入層節點數，m為輸出層節點數，a為1～10的常數。

n1=lbn（5）

本文實驗利用式（4）計算出隱節點個數的取值范圍，再進行實驗選擇最優的隱節點數目。實驗以LSTM為例，3層網絡結構，輸入層節點數為44，輸出層節點數為1，所以隱層節點數取7～17。

由表6可得，在隱節點數為[7，17]的整個取值區間中，RMSE值和MAE值都不是很穩定，波動起伏較大。當隱節點數為13時，RMSE值和MAE值最小，那么將最優隱節點的個數取為13是較為合理的決定。

4?實驗與結果分析

本文實驗的數據是2016-6-30—2017-12-29共369個交易日的行情數據和互聯網新聞輿情數據。對比四種機器學習的預測模型，訓練集和測試集的比例為10∶1，DNN和LSTM網絡模型的網絡層數為3，隱節點數為13。訓練模型輸入窗口值取5，預測滯后窗口取0。分別用不同的采樣區間的數據做實驗，得到如圖5、6結果所示。

從圖5和圖6可以得到，SVR在采樣區間120min時效果最好;DT在采樣區間15min時效果相對較好;DNN在采樣區間為60min時效果最好，RMSE和MAE都最小;LSTM采樣區間為5min時效果最好，RMSE和MAE都是最低值。

SVR的原理是在高維空間中尋找出一個曲面進行分類，但是由于本文數據的稀疏性，很難精準地尋到這樣的高維曲面。DT可能更適用于特征維度不相關的數據，本文的實驗數據特征之間并不是完全獨立的，這極大地影響了DT的算法效果。DNN是最簡單的神經網絡模型，沒有處理序列關系的功能。LSTM模型能夠捕捉長序列關系，學習保留需要的信息，遺忘不需要的信息，更符合本文含有時間序列特征的數據，所以LSTM比DNN表現出更好的人民幣匯率預測效果。綜合對比四種預測模型，LSTM的RMSE值和MAE值相對較小，是四個預測模型中預測效果最好的模型。

5?結語

本文將外匯歷史行情數據與互聯網外匯新聞數據融合作為預測美元兌人民幣匯率的源數據，研究了模型訓練的輸入向量窗口和預測滯后窗口的合理設置，對比分析了外匯新聞更好表達情感并為預測算法作基礎的特征組合，最后對比分析了四種機器學習模型的預測效果。從實驗中能夠發現加入外匯新聞數據比僅含有歷史行情數據預測未來匯率變化的效果更好，且將外匯新聞數據處理成情感強度變化值來預測人民幣匯率效果最好。模型訓練的輸入向量窗口不宜過大，小窗口更能給出好的預測效果，實驗給出的最優結果是5。預測滯后窗口設置為0有助于預測人民幣匯率。相比其他預測模型，LSTM的RMSE值和MAE值都較小，預測效果更好。

由于本文構建的外匯領域的新聞情感關鍵詞匯表較為簡單、詞匯數量較少，導致構建的情感向量維度很大一部分是數據為零（新聞內容中沒有匹配到關鍵詞），這是本文實驗的不足。實際上當前外匯領域并沒有可用的具有領域特色的關鍵詞匯表，這對本文的實驗也是一個挑戰，未來希望能夠補充更多的外匯領域關鍵詞。另外，在對情感特征化的處理上本文采用了現有的公共情感分析工具，這對外匯領域的人民幣預測算法的適用性不是最佳的，未來將改進情感分析算法以適用于外匯領域。目前本文對輸入向量窗口和預測滯后窗口的最優值設定為定值，而對于波動頻繁的人民幣匯率，自動變化尋找最優大小的滑動窗口能夠達到更好的預測效果，這也是本文的未來工作之一。

參考文獻 （References）

[1]秦喜文，張瑜，董小剛，等. 基于EEMD和SVR的人民幣匯率預測[J].東北師大學報（自然科學版）， 2017， 49（2）：47-51. （QIN X W， ZHANG Y， DONG X G， et al. Forecasting RMB exchange rate based on EEMD and SVR[J]. Journal of Northeast Normal University （Natural Science Edition）， 2017， 49（2）：47-51.）

[2]馬超. 人民幣匯率預測[D]. 濟南： 山東大學， 2017：8-56. （MA C. RMB exchange rate forecast[D]. Jinan： Shandong University， 2017： 8-56.）

[3]FRSCHLER F， ALFANO S. Reading between the lines： The effect of language sentiment on economic indicators[C]// Proceedings of the 2017 Enterprise Applications， Markets and Services in the Finance Industry， LNBIP 276. Berlin： Springer， 2017：89-104.

[4]趙巖，王利明，楊菁. 公共危機事件網絡輿情生命周期特征分析及對策研究[J]. 經濟研究參考， 2015（16）：57-69. （ZHAO Y， WANG L M， YANG J. Analysis of the characteristics of public opinion cycle of public crisis events and its countermeasures[J]. Economic Research Reference， 2015（16）：57-69.）

[5]丁潔. 基于社會網絡的網絡輿情演化研究[D]. 南京： 南京理工大學， 2015：38-44. （DING J. Analysis on the evolution of online public opinion based on social network[D]. Nanjing： Nanjing University of Science and Technology， 2015： 38-44.）

[6]PAGOLU V S， REDDY K N， PANDA G， et al. Sentiment analysis of Twitter data for predicting stock market movements[C]// Proceedings of the 2016 International Conference on Signal Processing， Communication， Power and Embedded System. Piscataway： IEEE， 2016： 1345-1350.

[7]陳云松，嚴飛. 網絡輿情是否影響股市行情？基于新浪微博大數據的ARDL模型邊限分析[J]. 社會， 2017， 37（2）：51-73. （CHEN Y S， YAN F. Does online sentiment predict stock market indices？ The ARDL bounds tests based on Sinamicroblog data[J]. Society， 2017， 37（2）：51-73.）

[8]張信東，原東良. 基于微博的投資者情緒對股票市場影響研究[J]. 情報雜志， 2017， 36（8）：81-87. （ZHANG X D， YUAN D L. Research on the impact of investor sentiment on stock market based on microblog[J]. Journal of Intelligence， 2017， 36（8）：81-87.）

[9]朱昶勝，孫欣，馮文芳. 基于R語言的網絡輿情對股市影響研究[J]. 蘭州理工大學學報， 2018， 44（4）：103-108. （ZHU C S， SUN X， FENG W F. Study on the impact of network public opinion on the stock market based on Rlanguage[J]. Journal of Lanzhou University of Technology， 2018， 44（4）：103-108.）

[10]LI Q， WANG J， WANG F， et al. The role of social sentiment in stock markets： a view from joint effects of multiple information sources[J]. Multimedia Tools and Applications， 2017， 76（10）：12315-12345.

[11]THU T N T， XUAN V D. Using support vector machine in FoRex predicting[C]// Proceedings of the 2018 IEEE International Conference on Innovative Research and Development. Piscataway： IEEE， 2018：1-5.

[12]SEETO E W K， YANG Y. Market sentiment dispersion and its effects on stock return and volatility[J]. Electronic Markets， 2017， 27（3）： 283–296.

[13]鄧景煒. 基于神經網絡的外匯匯率預測研究[D]. 廣東： 暨南大學， 2017：56-65. （DENG J W. Research on foreign exchange rate forecast based on neural network[D]. Guangdong： Jinan University， 2017： 56-65.）

[14]LIU C， HOU W， LIU D. Foreign exchange rates forecasting with convolutional neural network[J]. Neural Processing Letters， 2017， 46（3）：1095-1119.

[15]CHEN W， ZHANG Y， YEO C K， et al. Stock market prediction using neural network through news on online social networks[C]// Proceedings of the 2017 International Smart Cities Conference. Piscataway： IEEE， 2017： 1-6.

[16]LIU Y， QIN Z， LI P， et al. Stock volatility prediction using recurrent neural networks with sentiment analysis[C]// Proceedings of the 2017 International Conference on Industrial， Engineering and Other Applications of Applied Intelligent Systems， LNCS 10350. Berlin： Springer， 2017： 192-201.

[17]AWAD M， KHANNA R. Support vector regression[J]. Neural Information Processing Letters and Reviews， 2007， 11（10）：203-224.

[18]QUINLAN J R. Induction on decision tree[J]. Machine Learning， 1986， 1（1）：81-106.

[19]SCHMIDHUBER J. Deep learning in neural networks： an overview[J]. Neural Networks， 2015， 61：85-117.

[20]SHI X， CHEN Z， WANG H， et al. Convolutional LSTM network： a machine learning approach for precipitation nowcasting[C]// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge， MA： MIT Press， 2015： 802-810.

[21]PEDREGOSA F， VAROQUAUX G， GRAMFORT A. Scikitlearn： machine learning in Python[J]. Journal of Machine Learning Research， 2011， 12：2825-2830.

[22]王嶸冰，徐紅艷，李波，等. BP神經網絡隱含層節點數確定方法研究[J]. 計算機技術與發展， 2018， 28（4）： 31-35. （WANG R B， XU H Y， LI B， et al. Research on the method of determining hidden layer nodes in BP neural network[J]. Computer Technology and Development， 2018， 28（4）：31-35.）

This work is partially supported by the National Key Research and Development Program of China （2018YFC0807105）， the National Natural Science Foundation of China （61462073）， the Scientific Research Project of Science and Technology Committee of Shanghai Municipality （17DZ1101003， 18511106602， 18DZ2252300）.

WANG Jixiang， born in 1995， M. S. candidate. Her research interests include natural language processing， data mining.

GUO Yi， born in 1975， Ph. D.， professor. His research interests include text mining， knowledge discovery.

QI Tianmei， born in 1994， M. S. candidate. Her research interests include natural language processing， data mining.

WANG Zhihong， born in 1990， Ph. D. candidate. His research interests include natural language processing， text mining.

LI Zhen， born in 1976， Ph. D. Her research interests include financial risk management， fraud risk prevention.

TANG Minwei， born in 1990， M. S. His research interests include abnormal event detection， malicious group recognition.