金融領域信息的自動抽取與分析方法.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)上進行金融投資活動。金融領域中的許多重要信息,如新股的大量公司財務數(shù)據(jù)等,大都是存放在PDF文件內(nèi)的表格里,通過各大權威網(wǎng)站進行發(fā)布的。因此,隨著PDF文檔的應用范圍越來越廣泛,對PDF中表格的信息進行自動抽取與再利用,也顯得十分有意義。然而,在PDF中并沒有實際的表格存儲結(jié)構,它的單元格與表格線之間沒有任何邏輯關系,單元格內(nèi)容與表格線是單獨存儲的,不能直接從 PDF的表格中抽取出相

2、關信息。本文的研究實現(xiàn)了從 PDF的表格中自動抽取出需要的信息,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。
　　公司發(fā)行新股是實現(xiàn)多渠道融資的重要途徑。由于新股上市首日的市場價格一般會遠遠高于其發(fā)行價格,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。但金融市場的波動性決定了投資者在收益的同時,也會有一定的風險。如果能夠在新股申購之前,通過對公司發(fā)布的相關數(shù)據(jù)進行有效地分析,得到新股上市首日收益率估計值,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模型,有效地實現(xiàn)了該工作。
　　本文的主要研究內(nèi)容包括以下兩個方面:
　　(1)本文通過對基于PDF表格形式數(shù)據(jù)抽取技術的研究,設計并實現(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、表格信息的識別、柵格化、構建表格的拓樸結(jié)構等步驟,最終實現(xiàn)了對PDF表格信息的抽取。
　　(2)將獲取到的數(shù)據(jù)進行校驗與預處理后,運用最大熵模型、支持向量機模型、BP神經(jīng)網(wǎng)絡模型

4、及本文改進的RBFNN自適應模型分別進行實驗,并通過實驗對比與分析得出結(jié)論,表明本文改進的RBFNN自適應模型的有效性。
　　本文所研究并實現(xiàn)的信息的自動抽取與分析方法,能夠運用在金融領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驗數(shù)據(jù),實現(xiàn)了對這些新股的招股說明書(PDF格式)中的表格信息進行自動抽取,并對抽取到的結(jié)果進行實驗與評估,這簡化了大量的人工操作;接下來,將獲取的數(shù)據(jù)