面向排名预测的上市公司股价收益研究

发布时间：2021-01-25 09:43

　　对于在深圳证券交易所上市的公司,通过分析和挖掘其季度报表或者相关交易网站中的数据,提取到排名预测任务中相关的数据特征以及通过爬虫获得的文本特征,成功构建了公司每股收益预测排名的模型,实现了对股价收益排名的合理预测.实验结果表明,我们的提出的模型能够有效的提高股价排名预测任务的性能,其中SPRP-Random Forests模型在NDCG@10评价指标中可以达到0. 9583.在为股民选择股票,公司经营模式调整等方面具有一定的实用价值. 

【文章来源】：小型微型计算机系统. 2020,41(01)北大核心

【文章页数】：5 页

【部分图文】：

面向股价排名预测的排序学习模型

除去以上因素，考虑到公司的运营状况也受到非系统性因素的影响，譬如说企业的新闻报导就会极大程度的影响公司的运营，负面新闻过多势必会给企业带来消极影响，从而影响公司的股票价格．企业员工对公司的评价也是一项影响公司股价的重要指标，风评较好的企业势必拥有着良好的企业文化和经营方向，这样的企业便拥有良好的发展前景．所以实验中便又提取了员工评价和企业新闻作为文本特征，其中员工评价主要来自于看准网的公司评价，我们对实验中公司评价进行爬取，对评级为1到2星的公司标签置为-1,3星置为0,4到5星置为1．企业新闻主要是对指定时间内的公司的新闻进行爬取，并利用词语极性字典对新闻中的词频进行统计，其中消极词频大于积极词频我们将标签置为-1，消极词频小于积极词频我们将标签置为1，否则为0．实验特征具体如图2所示．3.1.3 数据预处理

为了更加充分和系统地对股价收益排名任务进行研究，本文首次将排序学习方法和股价收益排名任务相结合，并构建了SPRP模型．排序学习在信息检索领域[8]已经有着非常成熟的研究，并延伸到多个热门领域，凭借着机器学习手段不断地提高排序结果．为了使SPRP模型与股价收益预测任务充分契合，我们构建了两个领域的概映射关系，如图3所示．实验中以季度作为时间点，并以行业类别对公司进行了划分，用每个季度对应信息检索领域的查询(query)，某个行业的某个季度的公司股价收益排行与查询结果的相关文档集合(document set)相对应，某季度内特定行业的公司股价收益排名与文档相关等级(relevant level)相对应．通过映射预测公司股价收益排名便转化为成功检索出来的相关文档在文档集合中的排序问题．

【参考文献】：
期刊论文
[1]皮尔森优化结合Xgboost算法的股价预测研究[J]. 陈宇韶,唐振军,罗扬,杨洁.  信息技术. 2018(09)
[2]一种鲁棒性增强的LambdaMART算法[J]. 李金忠,刘关俊.  小型微型计算机系统. 2017(05)



本文编号：2999006