近年来,数据科学迅猛发展,数据资源继能源、武器成为新时代国家发展的又一种重要战略资源。大数据的研究和应用层出不穷,大数据的应用已经深入到了经济社会的方方面面。我们的日常行为以数据的形式被存储到服务器,人们对数据进行加工、处理、运算,以备科学研究和业务升级。目前,数据驱动的业务模式已经深入到社会各个领域。就金融投资而言,股票的交易、政府的监管、金融市场的研究都要看具体数据,因此金融投资是离不开数据资源的。证监会有专门披露数据的网站;东方财富、同花顺等专业金融机构开设了金融网站提供海内外金融数据;像搜狐、新浪这样的门户网站开设了相应的金融专区;甚至大型证券公司、上市公司也有自己的官网……如今,金融数据正在以多种多样的方式被公开、被披露。人们通过证监会、金融网站、公司官网等渠道浏览丰富的金融信息,但是不同的网站都从不同的角度表达信息,各种信息分散而且显得复杂。有时候想查找某一指标,还要阅览上市公司整年的年报,从几十页的详细报告中查找信息,费时费力,结果还有可能不够准确。通过传统方式查找信息非常不智能,因此人们提出了知识网的结构,把所有的金融信息融合成一张网。金融领域知识专业性强,各项指标相当复杂。如果能够将金融领域的信息以网状图的形式组织起来,这不仅将极大地帮助投资爱好者获得金融信息,而且还将大大提高券商分析师、交易员等人的工作效率。知识图谱的提出为金融知识网的构建提供了良好的解决方案。近年来,金融行业从业人员和科技人员致力于研发领域内的图谱。然而,金融信息专业性强和复杂度高的特性使得领域内知识图谱的构建难度很高。尽管在大量人力和财力的支持下,金融领域知识图谱的构建也没有取得突破进展,市面上的图谱都不太好用。本课题专注于股票交易方面,研究了股票交易关注的技术指标;研究了上市公司的股价和年报信息;研究了爬虫的方法;研究了从金融网站获取数据中抽取上市公司信息实体及属性的方法;研究了形成上市公司信息知识三元组的方法;对上市公司知识图谱的构建进行了研究并实现;深入研究学习图数据库,比较了关系型数据库和图数据库的性能和使用方法;研究了Django框架的使用方法,利用该框架拓展知识图谱的智能应用;研究了循环神经网络算法,利用该算法训练股吧问题集;尝试根据上市公司知识图谱进行智能问答系统的构建,设计并实现了基于模板匹配的知识图谱智能问答系统。该方法从股吧真实问答集中挖掘问答模板,获取问句意图、实体槽位等信息。对于提出的新问题,通过循环神经网络算法找到匹配的模板,进而得到用户的实体、意图,将意图和实体值作为对应Cypher查询语句的参数,然后从知识图谱中抽取答案,并根据回答模板给予自然语言的回答。