基于海量文本挖掘的证券市场情绪监控及预测

发布时间：2021-02-24 16:54

　　Web2.0和移动互联网催生了网络上用户海量内容的生成。证券市场上的用户同样地喜欢通过社交媒体来表达自己对市场的看法和情绪,因此社交媒体近年来吸引了研究者和业界的大量关注,但是从这些社交媒体中抽取出对研究和产品有帮助的信息存在各种困难。为了有效地从社交媒体中抽取出证券市场用户的情绪信息,并且探索其对证券市场的影响,本文针对证券市场用户内容数据特点,提出了证券市场市场情绪分类算法;在市场预测方面,针对传统金融时间序列预测存在的问题,提出基于RiskReturn的金融时间序列预测算法;进而,将预测模型应用到实际交易情境下,通过量化交易分析的手段,研究其在证券市场上的表现。本文主要内容包括以下三个方面:第一,针对Web2.0时代用户数据较为混乱的特点,提出了Encoder-Decoder句表征的方式,将所有的文本映射成为高维的语义向量,通过标注数据集,训练神经网络分类模型,对海量数据进行情感分类,分类的准确率达到81.23%,并和已有的方法准确率进行比较,证明了方法的有效性,并考虑标注成本下,在不同标注量上和已有方法比较,证明了本文的分类方法在少量标注集就有优秀表现的优势,从而通过情感分类,... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
    1.2 研究问题
    1.3 研究意义及创新点
    1.4 研究框架
第二章 相关研究综述
    2.1 证券市场预测及市场风险
    2.2 情感分析
    2.3 本章小结
第三章 研究框架
    3.1 研究概述
    3.2 证券市场用户情感分析
    3.3 金融时间序列分析
    3.4 量化交易分析
第四章 证券市场情绪挖掘算法
    4.1 证券市场情绪挖掘算法流程
    4.2 Word2Vec词向量表征
    4.3 Encoder-Decoder+NN情绪分类算法
    4.4 证券市场情绪表达
    4.5 实验
        4.5.1 数据描述
        4.5.2 Word2Vec词向量模型训练
        4.5.3 Encoder-Decoder+NN情感分类模型训练
        4.5.4 证券市场情绪展示
        4.5.5 方法讨论
    4.6 本章小结
第五章 基于Risk-Return的金融时间序列预测
    5.1 Risk-Return模型
    5.2 金融时间序列预测模型
    5.3 基于Risk-Return的金融时间序列预测模型
    5.4 实验
        5.4.1 数据描述
        5.4.2 不同数据集下Risk-Return的金融时间序列预测
        5.4.3 不同时间跨度下Risk-Return的金融时间序列预测
        5.4.4 方法讨论
    5.5 本章小结
第六章 量化交易应用实例
    6.1 量化交易模型设计
    6.2 量化交易策略
    6.3 实验
        6.3.1 数据描述
        6.3.2 改进后的Risk-Return的金融时间序列预测
        6.3.3 量化交易实验结果
    6.4 本章小结
第七章 结论与展望
    7.1 研究总结
    7.2 管理启示
    7.3 研究展望
致谢
参考文献


【参考文献】：
期刊论文
[1]长期投资决策的风险度及其应用[J]. 徐玖平.  系统工程理论与实践. 1999(02)
[2]组合投资在E－Sh风险下的有效边界[J]. 吕锋,倪志红.  系统工程理论方法应用. 1995(02)



本文编号：3049670