融合情感分析的股票指数预测的研究
发布时间：2020-12-14 18:22
随着人们生活水平的不断提高,越来越多的人开始注重资金管理。由于股票投资具有易操作、收益成效快和流动性强的特点,因此吸引着越来越多的人选择股票市场作为自己的投资对象来实现财富的保值和增值。在这个快速更新的网络信息共享和交流的时代,股票投资者们也更加倾向于通过网络平台上的金融信息及各大媒体资深评论员的投资观点来了解金融领域的实时资讯,随着信息获取平台的不断增多,关注人员的不断壮大,导致这些网络平台上拥有着丰富的金融热点信息、重要指标数据以及附有股民情感倾向发表的言论信息。这些富含感情色彩的股民言论信息,以及含有国家经济政策的新闻资讯,都在一定程度上影响着股票指数的未来走势。因此,融合情感分析的股票指数预测的研究具有重要的研究价值。本文为了提高股指预测结果的准确性,在原本选用单一的股票技术指标作为影响股指波动的特征因素的前提下,融入股市资讯文本信息的情感分析结果。在数据选择上,收集不同来源的股民言论信息数据和财经新闻信息数据作为股市资讯文本情感分析的数据基础,来提高情感分析结果的有效性。在特征提取方法上,选用善于处理短文本数据的SVM方法和适用于处理长文本数据的LSTM方法对收集的含有不同种...
【文章来源】：长春工业大学吉林省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图2.1支持向量机分类图
第2章课题研究的理论与方法14题。LSTM神经网络通过控制门（输入门ti、遗忘门tf、输出门to）来调节之前信息与当前信息的记忆和遗忘程度，将短期记忆与长期记忆结合起来，使循环神经网络具备了长期记忆的能力，并且一定程度上解决了梯度消失的问题。因此，本文采用LSTM方法对技术指标数据进行特征提取，其工作过程可以表述为：首先，LSTM中的遗忘门对信息进行过滤，忘记无用信息，计算公式如2-11所示：)(1ttttftfxbhVW（2-11）然后，输入门根据输入的信息和记忆信息进行状态的更新：输入信息计算公式如2-12所示：)(1itititixbhVW（2-12）记忆细胞计算公式如2-13所示：)tanh(1ctctctcxbhVW（2-13）长时记忆计算公式如2-14所示：1ctttttcfci（2-14）最后，输出门输出当前信息计算公式如2-15和2-16所示：)(1otototoxbhVW（2-15）)tanh(*tttcoh（2-16）其中tx代表t时刻的输入矢量，1ht代表t时刻前LSTM输出的矢量，也就是短记忆信息。tc代表t时刻下的长时记忆信息，为sigmoid激活函数，W和V代表权重矩阵，b代表偏置向量。LSTM记忆细胞结构如图2.4所示。图2.4LSTM记忆细胞结构图
第4章股指预测模型的实验与结果分析27月7日所需的上证综指的技术指标数据，其中技术指标包括开盘价、收盘价、涨跌幅、成交量、MACD、KDJ、RSI、ROC。收集的股票技术指标数据的部分内容如图4.1所示，其中图4.2为收集的上证综指股指数据中成交量走势图。图4.1上证综指技术指标数
【参考文献】：
期刊论文
[1]中国互联网普及率突破60%[J]. 本刊编辑部. 河南科技. 2019(25)
[2]投资者情绪和资产定价异象[J]. 史永东,程航. 系统工程理论与实践. 2019(08)
[3]基于正则化LSTM模型的股票指数预测[J]. 任君,王建华,王传美,王建祥. 计算机应用与软件. 2018(04)
[4]文本情绪分析综述[J]. 李然,林政,林海伦,王伟平,孟丹. 计算机研究与发展. 2018(01)
[5]基于股民评论信息的股票预测方法研究[J]. 张凯,任维平,张仰森,尤建清. 北京信息科技大学学报(自然科学版). 2017(05)
[6]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)
[7]BP神经网络在股指预测中的应用[J]. 尹绍飞,苏勇. 科学技术与工程. 2009(24)
[8]精确在线支持向量回归在股指预测中的应用[J]. 田翔,邓飞其. 计算机工程. 2005(22)
博士论文
[1]基于特征选择的文本分类方法研究[D]. 胡小娟.吉林大学 2018
[2]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016
[3]中国股票市场与宏观经济相关性研究[D]. 张培源.中共中央党校 2013
[4]基于行为金融学的股票市场投资者行为研究[D]. 李静.中国社会科学院研究生院 2012
[5]基于投资者情绪的行为资产定价研究[D]. 闫伟.华南理工大学 2012
[6]中国股票市场波动成因研究[D]. 温思凯.西南财经大学 2010
硕士论文
[1]基于组合模型的股指预测[D]. 刘珍秀.青岛大学 2019
[2]基于LSTM和投资者情绪的股票行情预测研究[D]. 周凌寒.华中师范大学 2018
[3]基于word2vec词向量的文本分类研究[D]. 朱磊.西南大学 2017
[4]基于支持向量机的中文文本分类研究[D]. 杨孟英.华北电力大学 2017
[5]基于情感分析的股指预测技术的研究与实现[D]. 郭卿.国防科学技术大学 2016
[6]基于深度学习理论与方法的中文专利文本自动分类研究[D]. 马双刚.江苏大学 2016
[7]基于词向量的文本分类算法研究与改进[D]. 王明亚.华东师范大学 2016
[8]基于双向LSTMN神经网络的中文分词研究分析[D]. 黄积杨.南京大学 2016
[9]基于组合模型的股指预测[D]. 方孟孟.兰州大学 2016
[10]基于文本情感分析的股价预测研究与实现[D]. 戴成骏.重庆大学 2016
本文编号：2916810
【文章来源】：长春工业大学吉林省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图2.1支持向量机分类图
第2章课题研究的理论与方法14题。LSTM神经网络通过控制门（输入门ti、遗忘门tf、输出门to）来调节之前信息与当前信息的记忆和遗忘程度，将短期记忆与长期记忆结合起来，使循环神经网络具备了长期记忆的能力，并且一定程度上解决了梯度消失的问题。因此，本文采用LSTM方法对技术指标数据进行特征提取，其工作过程可以表述为：首先，LSTM中的遗忘门对信息进行过滤，忘记无用信息，计算公式如2-11所示：)(1ttttftfxbhVW（2-11）然后，输入门根据输入的信息和记忆信息进行状态的更新：输入信息计算公式如2-12所示：)(1itititixbhVW（2-12）记忆细胞计算公式如2-13所示：)tanh(1ctctctcxbhVW（2-13）长时记忆计算公式如2-14所示：1ctttttcfci（2-14）最后，输出门输出当前信息计算公式如2-15和2-16所示：)(1otototoxbhVW（2-15）)tanh(*tttcoh（2-16）其中tx代表t时刻的输入矢量，1ht代表t时刻前LSTM输出的矢量，也就是短记忆信息。tc代表t时刻下的长时记忆信息，为sigmoid激活函数，W和V代表权重矩阵，b代表偏置向量。LSTM记忆细胞结构如图2.4所示。图2.4LSTM记忆细胞结构图
第4章股指预测模型的实验与结果分析27月7日所需的上证综指的技术指标数据，其中技术指标包括开盘价、收盘价、涨跌幅、成交量、MACD、KDJ、RSI、ROC。收集的股票技术指标数据的部分内容如图4.1所示，其中图4.2为收集的上证综指股指数据中成交量走势图。图4.1上证综指技术指标数
【参考文献】：
期刊论文
[1]中国互联网普及率突破60%[J]. 本刊编辑部. 河南科技. 2019(25)
[2]投资者情绪和资产定价异象[J]. 史永东,程航. 系统工程理论与实践. 2019(08)
[3]基于正则化LSTM模型的股票指数预测[J]. 任君,王建华,王传美,王建祥. 计算机应用与软件. 2018(04)
[4]文本情绪分析综述[J]. 李然,林政,林海伦,王伟平,孟丹. 计算机研究与发展. 2018(01)
[5]基于股民评论信息的股票预测方法研究[J]. 张凯,任维平,张仰森,尤建清. 北京信息科技大学学报(自然科学版). 2017(05)
[6]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)
[7]BP神经网络在股指预测中的应用[J]. 尹绍飞,苏勇. 科学技术与工程. 2009(24)
[8]精确在线支持向量回归在股指预测中的应用[J]. 田翔,邓飞其. 计算机工程. 2005(22)
博士论文
[1]基于特征选择的文本分类方法研究[D]. 胡小娟.吉林大学 2018
[2]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016
[3]中国股票市场与宏观经济相关性研究[D]. 张培源.中共中央党校 2013
[4]基于行为金融学的股票市场投资者行为研究[D]. 李静.中国社会科学院研究生院 2012
[5]基于投资者情绪的行为资产定价研究[D]. 闫伟.华南理工大学 2012
[6]中国股票市场波动成因研究[D]. 温思凯.西南财经大学 2010
硕士论文
[1]基于组合模型的股指预测[D]. 刘珍秀.青岛大学 2019
[2]基于LSTM和投资者情绪的股票行情预测研究[D]. 周凌寒.华中师范大学 2018
[3]基于word2vec词向量的文本分类研究[D]. 朱磊.西南大学 2017
[4]基于支持向量机的中文文本分类研究[D]. 杨孟英.华北电力大学 2017
[5]基于情感分析的股指预测技术的研究与实现[D]. 郭卿.国防科学技术大学 2016
[6]基于深度学习理论与方法的中文专利文本自动分类研究[D]. 马双刚.江苏大学 2016
[7]基于词向量的文本分类算法研究与改进[D]. 王明亚.华东师范大学 2016
[8]基于双向LSTMN神经网络的中文分词研究分析[D]. 黄积杨.南京大学 2016
[9]基于组合模型的股指预测[D]. 方孟孟.兰州大学 2016
[10]基于文本情感分析的股价预测研究与实现[D]. 戴成骏.重庆大学 2016
本文编号：2916810
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2916810.html
