本文是一篇项目风险管理论文，本研究通过使用深度学习模型抽取出结构化的新闻事件并结合时间序列数据预测股价涨跌幅度，在一定程度上 高了模型预测的准确率。但是在完成研究后，发现本研究仍有一些优化空间。
1绪论
1.1 研究背景
在大数据时代的浪潮中，海量数据驱动的技术已成为引领社会发展的关键力量，激励着各行各业寻求创新的变革路径。企业在这场前所未有的数字化转型中，面临着内外部运作模式的双重挑战[1]。转型重塑了市场与消费者行为，同时迫使企业优化其业务流程以维持市场竞争力。在此背景下，原有的项目管理方法已逐渐显示出其局限性，尤其是在适应性、实时性和数据驱动决策方面。
数字化转型不仅仅是技术的升级，更是企业文化和管理思想的根本变革。在项目管理领域，这种转变体现为从传统的固定框架和线性流程，向更加灵活、适应性强、以结果为导向的管理模式过渡。在此过程中，项目已不再局限于单一地理位置或传统的管理方法，而是融入了复杂的供应链、跨文化团队和高度依赖技术的运作模式。这些因素增加了项目失败的风险，尤其是在风险、质量和时间等管理方面。新兴的数字化项目管理模式，通过结合数据驱动的管理方法与大数据分析等技术，能够 供实时的项目监控和风险预测，优化资源配置，并 升决策效率。
项目风险管理是确保项目成功的基石，包括风险的识别、分析和控制应对等多个方面[2]。在当前快速变化的市场环境和不断进步的技术背景下，项目管理所面临的风险也在持续演变，这对项目经理的洞察力和应变能力 出了更高的要求。传统的风险管理方法主要关注数值型数据的分析，而往往忽略了文本数据的潜在价值。然而，在项目管理的全周期中，文本信息如市场分析、金融新闻报道等对评估项目潜在的风险至关重要。特别是在金融行业，频繁发生的上市公司股权变更等重大事件对金融投资项目有着深刻的影响。
1.2 研究目的与意义
1.2.1 研究目的
近年来，“互联网+”的兴起为项目管理领域带来了新的形式和业态，数字化项目管理已成为显著趋势。作为一个以沪深300指数为标的的金融投资项目，“国泰沪深300”项目在管理过程中面临诸多风险，包括市场风险、流动性风险、财务风险、系统性风险等。在金融市场中，上市公司的股权信息变更事件被视为市场波动的重要影响因素，对于“国泰沪深300”项目的风险管理构成了关键的影响。股权变更事件涉及公司股权结构的改变，常意味着股东对上市公司的信心和预期发生了变化，可能影响公司的经营、治理和未来前景，引发投资者情绪和行为的变化，进而影响项目的风险。鉴于此，本研究的核心目标在于引入自然语言处理篇章级事件抽取技术到股权变更事件的分析中， 高项目风险管理的准确性和效率。其主要目的包括:
（1）利用自然语言处理的篇章级事件抽取技术，从非结构化的新闻中抽取出结构化的股权变更事件，将文本信息应用到项目风险管理研究中，推动深度学习技术在项目管理领域的深入应用。
（2）构建并验证一个高度准确和可靠的预测模型，量化股权变更事件对上市公司股价及其波动性的影响，为项目管理者 供更准确的风险预测模型，辅助他们及时识别潜在的风险股票并调整最优投资组合，有效控制项目风险。
2文献综述与技术理论
2.1 国内外相关研究综述
2.1.1 项目管理数字化转型
数字化转型是在数字技术驱动下，各行各业正在经历的一场深刻变革，它极大地激发了创新能力，尤其是在以5G、人工智能、物联网为主导的关键技术领域，其作用尤为明显[4]。人工智能(AI)作为这场变革中的有力推手在过去几年中取得了突破性的发展，这要归功于高性能计算硬件的进步和互联网 供的丰富数据资源。随着复杂算法的实现，如卷积神经网络(CNN)、支持向量机(SVM)、决策树等，人工智能的应用场景已经扩展到人脸识别、图像处理、自然语言理解等多个领域，为各行各业带来了前所未有的革新（Nuhn等,2022）[5]。
项目是实现特定目标的临时组织形式[6]，项目管理是完成一个独特的目标而临时组织起来的活动。在数字化转型的背景下，传统的项目管理方法面临着新的挑战和机遇。而人工智能的兴起极大地促进了项目管理的数字化转型。目前数字化管理已成为项目管理的重要趋势，特别是在"互联网+"新形态和新业态的背景下。人工智能技术以其强大的数据分析和学习能力，为项目管理 供了全新的解决方案。人工智能系统在识别视频、图像、文本、音频数据和数字等大型数据集中的复杂模式方面表现出色，因此在对认知要求较高的环境中被广泛应用。也是这个原因人工智能系统是一种特别适合在项目管理领域使用的技术。
2.2 相关技术介绍
2.2.1 深度学习技术
深度学习是一种基于人工神经网络的机器学习方法，它能够学习数据的多层次表示或特征，是目前机器学习中的一个热点领域。这种技术通过模拟人脑的工作方式，使用多层次的神经网络处理数据，能够识别出复杂的模式和关系。与传统机器学习方法不同的是，深度学习模型能够自动从原始数据中学习到有用的特征，避免了手动特征工程的需要，并且这些不同水平、不同维度色有效表示可以 高不同抽象层次上对数据的解释能力，使得模型能够处理非结构化的大数据集。
深度学习与传统浅层学习技术（如支持向量机、 升方法及最大熵方法）的主要区别在于其采用的模型结构深度及非线性操作的层次数量。通过对输入信号进行分层次的特征变换，深度学习自动构建了一种层次化的特征表示体系，使得原始空间中的样本特征得以转换至一个新的特征空间。这种方法不仅促进了分类效果的 升和特征可视化的实现，而且为复杂函数的近似 供了有效途径。深度学习模型通常包含多于三层的隐藏层，有时甚至超过十层，这种多层结构有助于更有效地学习数据的高级抽象表示。
深度神经网络的结构由众多神经元构成，这些神经元彼此连接互相作用，其间的连接权重在学习过程中不断调整以优化网络的性能。深度神经网络实质上是由多个单层非线性网络层叠组合而成，这些单层网络可以根据是否包含编码器或解码器部分分为三类：第一类是仅含编码器的网络，负责将输入数据映射到一个隐含的特征空间；第二类是仅含解码器的网络，负责从某个特征空间映射回原始数据空间，目标是重建的数据尽可能接近原始输入；第三类是存在编解码器的网络，它结合了前两者的功能，能够实现从输入到特征空间的映射以及从特征空间到重建输出的转换，这种结构增强了网络处理和理解复杂数据的能力。具体而言，深度学习的基本框架如图2.1所示：
3 项目风险预测模型构建 ........................ 25
3.1 案例项目简介 ............................. 25
3.2 项目风险评估 ................................ 28
4 实验结果与分析 .............................. 43
4.1 数据说明 ........................................ 43
4.2 数据预处理 ...................................... 44
5 结论与展望 .............................. 58
5.1 研究结论 .................................. 58
5.2 研究创新点 ................................ 61
4 实验结果与分析
4.1 数据说明
本研究总共使用了两种数据，第一种新闻数据，主要选取了新浪财经网、腾讯财经网和东方财富网作为主要数据来源。基于Python编写的网络爬虫程序，本研究成功地获取了“国泰沪深300”项目所涵盖的上市公司在2018年1月1日至2022年12月31日四年期间的新闻数据。由于不同的新闻网站获取的数据可能存在重复的情况，经过初步的整理和处理，共计获得了1857833条新闻据，其中19年包含409499条，20年包含597882条，21年包含540918条，22年包含309534条。总体而言，每一年的新闻数据量如下图4.1所示：
除了新闻数据，本研究还需要用到上市公司股票的一些特征数据，通过调用Tushare1平台的数据，获取“国泰沪深300”项目所包含上市公司在2018年12月10日到2023年1月10日之间的特征数据，特征数据包括日期、开盘价、收盘价、最高价、最低价、成交量、换手率等相关数据。
5 结论与展望
5.1 研究结论
本文以 “国泰沪深300”项目为例，对该投资项目风险管理进行研究。在数字化转型背景下，通过使用自然语言处理的技术 取新闻中会影响金融投资项目风险的股权变更事件，与时间序列数据结合合理地构建金融投资项目风险预测模型，并实际应用到投资项目风险管理中，利用深度学习模型辅助项目经理进行风险的识别。选取了2019至2022年间，“国泰沪深300”项目所涉及的上市公司相关新闻数据和时间序列数据，剔除了部分缺失数据后，得到了共计1857833条原始新闻数据，经过深度学习模型抽取事件并去重后累计获得129243条股权变更类型事件数据。然后将抽取得到的结构化事件数据与时间序列特征数据联合输入到长短期记忆网络（LSTM）模型中，以预测事件发生后上市公司股价的风险变化范围以及对金融投资项目收益的影响。
实验结果表明，将股权变更事件结合到风险预测模型中可以在一定程度上 高模型预测的准确率，从而 升项目管理者对于项目风险识别、风险规避和 高收益上的能力。这也是“国泰沪深300”项目结合数字化转型背景，充分将数字化运用到项目管理中，采用数据驱动管理的方法进行风险管理的验证。本文认为，该项目为项目经理进行项目风险管理 供了新的思路和方法，帮助项目经理识别项目投资资产的波动，规避下跌风险，增加投资的稳定性。具体来说包括以下几个方面
