基于AdaBoost-IWOA-Elman算法的股市网络舆情预测研究
发布时间：2021-11-05 04:47
股票市场的变化是一个国家经济发展的“晴雨表”,中国股市的投资者大多以散户为主,依靠各种新闻报道、通过分析报告或者一些小道消息来分析和买卖股票,近年来随着网络技术的快速发展,越来越多的股民喜欢通过网络平台发表或获取相关股票的评论,作为股票投资的重要渠道。股市网络舆情在股票论坛中多以网络评论的形式存在,其中大约90%是文本数据,具有数据量大、非结构化、实时变化的特点,因此投资者如何利用网络上的碎片评论信息来预测股市的发展趋势,并以此来优化自己的投资决策是目前研究的一个热点也是难点。本文选取2016年东方财富股吧（http://guba.eastmoney.com）的上海证券交易所股票价格综合指数（Shanghai Stock Exchange,SSE）180股指的网络评论为研究对象,利用文本挖掘技术构建基于基于自适应噪声的完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN）算法的AdaBoost-IWOA-Elman预测模型。文章具体工作如下:（1）股市信息的获取及规范化...
【文章来源】：兰州理工大学甘肃省
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 网络舆情对股市影响
1.2.2 网络文本挖掘法
1.2.3 股市预测方法
1.3 目前存在问题分析
1.4 研究内容和创新点
1.5 论文结构与章节安培
第2章 相关理论知识
2.1 文本挖掘
2.1.1 网络爬虫(Python Spyder)
2.1.2 中文分词(Python Jieba)
2.1.3 词频和词语-逆文档频数(TF-IDF)
2.1.4 文本向量空间模型(VSM)
2.2 CEEMDAN算法
2.2.1 经验模态分解法(EMD)
2.2.2 完全集合经验模态分解(CEEMDAN)
2.3 Elman神经网络
2.4 鲸鱼算法(WOA)
2.5 改进鲸鱼算法(IWOA)
2.6 AdaBoost算法介绍
2.7 本章小结
第3章 数据采集与规范化处理
3.1 样本数据采集
3.1.1 股评数据获取
3.1.2 收盘价数据获取
3.2 文本数据预处理
3.2.1 中文分词
3.2.2 去停用词
3.2.3 合并同义词
3.2.4 计算权重
3.2.5 文本表示
3.3 属性选择
3.3.1 Boruta初步选择属性
3.3.2 CEEMDAN算法属性分解及重构
3.4 本章小结
第4章 AdaBoost-IWOA-Elman预测模型构建
4.1 Elman神经网络构建
4.1.1 Elman神经网络构建流程
4.1.2 Elman神经网络模型参数设计
4.2 WOA-Elman预测模型构建
4.2.1 WOA-Elman模型构建思想及流程
4.2.2 WOA算法参数设计
4.3 IWOA-Elman预测模型构建
4.3.1 IWOA-Elman模型构建流程
4.3.2 IWOA算法参数设计
4.4 AdaBoost-IWOA-Elman预测模型构建
4.4.1 AdaBoost-IWOA-Elman模型构建流程
4.4.2 AdaBoost算法参数设计
4.5 预测结果
4.6 本章小结
第5章 实验结果及对比讨论
5.1 数据归一化及评估指标
5.1.1 样本数据归一化
5.1.2 评估指标
5.2 算法性能分析
5.2.1 权重对WOA算法的影响
5.2.2 适应度分析
5.3 预测结果
5.4 对比分析
5.4.1 预测结果对比
5.4.2 预测效果对比
5.4.3 预测误差分析
5.5 本章小结
总结与展望
参考文献
致谢
附录A 攻读学位期间取得的科研成果
本文编号：3477105
【文章来源】：兰州理工大学甘肃省
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 网络舆情对股市影响
1.2.2 网络文本挖掘法
1.2.3 股市预测方法
1.3 目前存在问题分析
1.4 研究内容和创新点
1.5 论文结构与章节安培
第2章 相关理论知识
2.1 文本挖掘
2.1.1 网络爬虫(Python Spyder)
2.1.2 中文分词(Python Jieba)
2.1.3 词频和词语-逆文档频数(TF-IDF)
2.1.4 文本向量空间模型(VSM)
2.2 CEEMDAN算法
2.2.1 经验模态分解法(EMD)
2.2.2 完全集合经验模态分解(CEEMDAN)
2.3 Elman神经网络
2.4 鲸鱼算法(WOA)
2.5 改进鲸鱼算法(IWOA)
2.6 AdaBoost算法介绍
2.7 本章小结
第3章 数据采集与规范化处理
3.1 样本数据采集
3.1.1 股评数据获取
3.1.2 收盘价数据获取
3.2 文本数据预处理
3.2.1 中文分词
3.2.2 去停用词
3.2.3 合并同义词
3.2.4 计算权重
3.2.5 文本表示
3.3 属性选择
3.3.1 Boruta初步选择属性
3.3.2 CEEMDAN算法属性分解及重构
3.4 本章小结
第4章 AdaBoost-IWOA-Elman预测模型构建
4.1 Elman神经网络构建
4.1.1 Elman神经网络构建流程
4.1.2 Elman神经网络模型参数设计
4.2 WOA-Elman预测模型构建
4.2.1 WOA-Elman模型构建思想及流程
4.2.2 WOA算法参数设计
4.3 IWOA-Elman预测模型构建
4.3.1 IWOA-Elman模型构建流程
4.3.2 IWOA算法参数设计
4.4 AdaBoost-IWOA-Elman预测模型构建
4.4.1 AdaBoost-IWOA-Elman模型构建流程
4.4.2 AdaBoost算法参数设计
4.5 预测结果
4.6 本章小结
第5章 实验结果及对比讨论
5.1 数据归一化及评估指标
5.1.1 样本数据归一化
5.1.2 评估指标
5.2 算法性能分析
5.2.1 权重对WOA算法的影响
5.2.2 适应度分析
5.3 预测结果
5.4 对比分析
5.4.1 预测结果对比
5.4.2 预测效果对比
5.4.3 预测误差分析
5.5 本章小结
总结与展望
参考文献
致谢
附录A 攻读学位期间取得的科研成果
本文编号：3477105
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3477105.html
