基于社交情感数据挖掘的股票市场预测研究

发布时间：2020-12-07 18:02

　　在互信息与左右熵识别新词的基础上,针对股票市场建立了金融情感词典,提出结合粒子群阈值优化改进的贝叶斯算法,并对每条评论的情感倾向进行自动识别,从而完成对股票市场的分析.实验与多种预测方法进行比较,基于情感词典的改进贝叶斯算法识别准确率为90.6%,表明该方法能够获得较为理想的预测结果. 

【文章来源】：东北师大学报(自然科学版). 2020年03期 第105-110页 北大核心

【文章页数】：6 页

【部分图文】：

图１分词算法比较表２４个数据库的新词识别

情感数据挖掘的股票市场预测研究通过粒子群算法找出Ｓｓｅｎｔｉｍｅｎｔ的最佳阈值，以此阈值为界限，大于此阈值的视为积极情绪，标记为１（Ｐｎｕｍｂｅｒ为大于此阈值的评论数目），小于此阈值的视为消极情绪，标记为０（Ｎｎｕｍｂｅｒ为小于此阈值的评论数目），以归一化的ψｄａｉｌｙ＿ｓｅｎｔｉｍｅｎｔ和实际的上证指数的价格变动曲线（ψｐｒｉｃｅ＿ｃｈａｎｇｅ）为研究目标，以灰色相关联系数作为判定标准，经过３００次迭代，如图３所示，得出最佳阈值为０．５４６，此时灰自相关系数达到最大，为０．７２９，ψｄａｉｌｙ＿ｓｅｎｔｉｍｅｎｔ的计算公式为ψｄａｉｌｙ＿ｓｅｎｔｉｍｅｎｔ＝ＰｎｕｍｂｅｒＰｎｕｍｂｅｒ＋Ｎｎｕｍｂｅｒ．（１４）图３计算的灰自相关系数４实验及其结果分析为验证经过改进贝叶斯的情感判别结果，实验使用准确率、灰色相关系数、同斜率占天数比来评判实验结果．实验选取５０００条已人工标注好情感极性的帖子（即积极记为１，消极记为０），其中４０００条作为实验样本，１０００个作为测试样本，同时使用ＫＮＮ、最大熵、ＳＶＭ等机器学习方法与实验改进方法进行比较．准确率为ＭａｃｒｏＰ＝１Ｎ∑Ｎｉ＝１Ｐｒｅｃｉｓｉｏｎｉ．（１５）灰色相关系数为ξｉ（ｋ）＝ｍｉｎｓｍｉｎｔ｜ｘ０（ｔ）－ｘｓ（ｔ）｜＋ρｍａｘｓｍａｘｔ｜ｘ０－ｘｓ（ｔ）｜｜ｘ０（ｔ）－ｘｉ（ｔ）｜＋ρｍａｘｓｍａｘ

【参考文献】：
期刊论文
[1]数据挖掘中并行离散化数据准备优化[J]. 刘云,袁浩恒.  四川大学学报(自然科学版). 2018(05)
[2]在线社交网络信息有效分类传播模型研究[J]. 杨林枫,黄贤英,刘小洋,刘超,刘万平.  四川大学学报(自然科学版). 2018(04)
[3]基于扩展规则与统计特征的未登录词识别[J]. 曾浩,詹恩奇,郑建彬,汪阳.  计算机应用研究. 2019(09)
[4]基于文本信息的股票指数预测[J]. 董理,王中卿,熊德意.  北京大学学报(自然科学版). 2017(02)
[5]基于中文股票博客的情感分类[J]. 李亚珍,李晓戈,于根.  武汉大学学报(理学版). 2015(02)
[6]基于情感分析技术的股票研究报告分类[J]. 彭敏,汪清,黄济民,周李,胡鑫汇.  武汉大学学报(理学版). 2015(02)
[7]自然语言理解在Web数据挖掘中的应用[J]. 蔡霞,张森.  计算机工程与设计. 2003(11)

博士论文
[1]朴素贝叶斯分类器及其改进算法研究[D]. 蒋良孝.中国地质大学 2009

硕士论文
[1]针对文本情感分类的特征生成方法研究[D]. 周哲.南京大学 2016
[2]基于雪球网的股市波动数据分析与预测[D]. 王迪.北京邮电大学 2017
[3]基于领域特殊性和统计语言知识的新词抽取方法[D]. 梅莉莉.北京理工大学 2016
[4]基于微博舆情的股票高频交易分析技术研究与实现[D]. 陈亮.复旦大学 2014



本文编号：2903679