金融領(lǐng)域信息的自動(dòng)抽取與分析方法.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展和金融市場的完善,較多的投資者開始在網(wǎng)上進(jìn)行金融投資活動(dòng)。金融領(lǐng)域中的許多重要信息,如新股的大量公司財(cái)務(wù)數(shù)據(jù)等,大都是存放在PDF文件內(nèi)的表格里,通過各大權(quán)威網(wǎng)站進(jìn)行發(fā)布的。因此,隨著PDF文檔的應(yīng)用范圍越來越廣泛,對PDF中表格的信息進(jìn)行自動(dòng)抽取與再利用,也顯得十分有意義。然而,在PDF中并沒有實(shí)際的表格存儲(chǔ)結(jié)構(gòu),它的單元格與表格線之間沒有任何邏輯關(guān)系,單元格內(nèi)容與表格線是單獨(dú)存儲(chǔ)的,不能直接從 PDF的表格中抽取出相

2、關(guān)信息。本文的研究實(shí)現(xiàn)了從 PDF的表格中自動(dòng)抽取出需要的信息,為接下來的金融數(shù)據(jù)分析提供了良好的數(shù)據(jù)基礎(chǔ)。
　　公司發(fā)行新股是實(shí)現(xiàn)多渠道融資的重要途徑。由于新股上市首日的市場價(jià)格一般會(huì)遠(yuǎn)遠(yuǎn)高于其發(fā)行價(jià)格,所以,投資者申購新股后,在上市首日能夠獲得超額的投資收益。但金融市場的波動(dòng)性決定了投資者在收益的同時(shí),也會(huì)有一定的風(fēng)險(xiǎn)。如果能夠在新股申購之前,通過對公司發(fā)布的相關(guān)數(shù)據(jù)進(jìn)行有效地分析,得到新股上市首日收益率估計(jì)值,就可以為投資者

3、提供相對可靠的參考建議。本文的研究通過建立相關(guān)模型,有效地實(shí)現(xiàn)了該工作。
　　本文的主要研究內(nèi)容包括以下兩個(gè)方面:
　　(1)本文通過對基于PDF表格形式數(shù)據(jù)抽取技術(shù)的研究,設(shè)計(jì)并實(shí)現(xiàn)了適用于PDF中表格信息的抽取系統(tǒng)。該系統(tǒng)通過對PDF解析、表格信息的識(shí)別、柵格化、構(gòu)建表格的拓樸結(jié)構(gòu)等步驟,最終實(shí)現(xiàn)了對PDF表格信息的抽取。
　　(2)將獲取到的數(shù)據(jù)進(jìn)行校驗(yàn)與預(yù)處理后,運(yùn)用最大熵模型、支持向量機(jī)模型、BP神經(jīng)網(wǎng)絡(luò)模型

4、及本文改進(jìn)的RBFNN自適應(yīng)模型分別進(jìn)行實(shí)驗(yàn),并通過實(shí)驗(yàn)對比與分析得出結(jié)論,表明本文改進(jìn)的RBFNN自適應(yīng)模型的有效性。
　　本文所研究并實(shí)現(xiàn)的信息的自動(dòng)抽取與分析方法,能夠運(yùn)用在金融領(lǐng)域中的新股的收益分析問題上。本文采用了2011年6月20日至2012年7月16日上市的新股作為實(shí)驗(yàn)數(shù)據(jù),實(shí)現(xiàn)了對這些新股的招股說明書(PDF格式)中的表格信息進(jìn)行自動(dòng)抽取,并對抽取到的結(jié)果進(jìn)行實(shí)驗(yàn)與評估,這簡化了大量的人工操作;接下來,將獲取的數(shù)據(jù)