基于词嵌入信息检索模型的财务披露情感预测

Feb, 2017

基于词嵌入信息检索模型的财务披露情感预测

Volatility Prediction using Financial Disclosures Sentiments with Word Embedding-based IR Models

Navid Rekabsaz, Mihai Lupu, Artem Baklanov, Allan Hanbury, Alexander Duer...

TL;DR本文研究运用情感分析和文本检索技术，分析股市公司年度披露的情感语言，来预测市场的波动性。同时结合市场数据，采用基于词嵌入的方法来有效地预测市场风险，结果表明词嵌入方法的预测表现优于其他方法，并且探讨了不同行业的公司报告特征。

Abstract

volatility prediction--an essential concept in financial markets--has recently been addressed using sentiment analysis methods. We investigate the sentiment of annual disclosures of companies in stock markets to

volatility prediction sentiment analysis information retrieval word embeddings market risk

发现论文，激发创造

非理性程度：情绪与隐含波动率曲面

本研究使用 VAR 方法构建每日高频情绪数据，利用 BERT 和 LSTM 等深度学习方法建立市场情绪指标，并应用 FFT 和 EMD 方法进行情绪分解，发现高频情绪与平价期权的隐含波动率更强相关，而低频情绪与深度 OTM 期权的隐含波动率更强相关。另外，该研究还发现隐含波动率曲面的形状包含更丰富的市场情绪信息，不仅仅代表市场恐慌，我们证明了融入情绪信息可以提高隐含波动率曲面预测的准确性。

May, 2024

利用词向量和深度神经网络预测股价走势的金融新闻杠杆

本文应用词嵌入技术和深度神经网络模型，利用金融新闻预测股票价格的走向，实验证明该方法简单有效，可以显著提高标准金融数据库上的股票预测准确性。

Jun, 2015

预测金融市场：比较调查、新闻、Twitter 和搜索引擎数据

本文通过调查一系列网络数据集和情感追踪方法，比较它们对预测金融市场指数、交易量和市场波动率以及黄金价格的价值，结果表明，传统的调查情绪指标是金融市场的滞后指标，但是一些在线情感指标是非常具有统计显著性的预测因素。

Dec, 2011

基于 BERT 的金融情感指数和基于 LSTM 的股票收益可预测性

通过使用 Google 开发的预训练模型 BERT 以及 LSTM，结合期权和市场隐含方法，构建了一个更通用和综合的金融情感分析框架，证明了在金融情感分析中应用 BERT 相较于现有模型的显著改进，并进一步提供了对个股收益率可预测性的令人信服的结果。

Jun, 2019

基于注意力机制循环神经网络的金融新闻股票趋势预测

使用深度神经模型从新闻文本中提取语义特征，应用自注意机制分配注意力，并预测标准普尔 500 指数和个人公司股价的方向性变化，表明该技术与其他最先进的方法相当竞争，证明了最新的自然语言处理技术对计算金融业的有效性。

Nov, 2018

基于情感驱动的金融收益预测：一种贝叶斯增强的 FinBERT 方法

通过从推特中提取的情感信息，使用 FinBERT 大型语言模型的研究表明通过关联分析筛选特征集并采用贝叶斯优化的递归特征消除实现了超过 70% 的 F1 分数，从而在回测交易中获得了更高的累积利润。

Mar, 2024

BERTopic 驱动的股市预测：揭示情感洞察

本研究探讨了自然语言处理（NLP）与金融分析的交叉领域，重点关注情感分析在股价预测中的影响。我们使用先进的 NLP 技术 BERTopic 来分析从股市评论中得出的主题的情感。我们的方法将情感分析与深度学习模型相结合，这些模型以其在时间序列和股票预测任务中的有效性而闻名。通过全面的实验，我们证明了融入主题情感能够显着提高这些模型的性能。结果表明，股市评论中的主题提供了对股市波动和价格趋势的含蓄而有价值的见解。本研究通过展示 NLP 在丰富金融分析方面的潜力，为该领域做出了贡献，并为实时情感分析以及市场情感的情绪和情境方面的进一步研究开辟了道路。将 BERTopic 等高级 NLP 技术与传统金融分析方法相结合，标志着在开发更复杂的了解和预测市场行为工具方面迈出了一步。

Apr, 2024

FETILDA：长篇财经文本嵌入的有效调优框架

我们提出并实现了一个利用预训练语言模型处理长文本文档的深度学习框架，将长文档分成块，并利用自注意力机制提取有价值的文档级特征，该框架在美国银行的 10-K 公开披露报告和其他美国公司提交的报告数据集上表现出色，是文本建模和回归模型的更好选择，利用预训练的领域特定和微调的模型在表示文本数据方面的效果较好，从而有助于提高预测分析的质量。

Jun, 2022

在金融领域中以最小行业专业知识预测角色相关度

本文探讨了基于词嵌入的体系结构在预测自然语言句子中两个财务实体之间的关联角色方面的应用，使用 skip-gram word2vec 体系结构训练词嵌入，并用机器学习分类器进行测试数据上的上下文角色相关性预测。

Apr, 2017

Fortia-FBK 在 SemEval-2017 任务 5 中：看涨还是看跌？从金融新闻头条推断品牌情绪

本文介绍了一种通过使用情感词表、词向量以及卷积神经网络的方法，对财经新闻标题中对特定公司的牛市或熊市情绪进行推断。在 SemEval2017 挑战赛（任务 5，子任务 2）中，该方法获得了最佳表现。

Apr, 2017