通过结合社交与金融网络信息预测未来股市结构
本文提出了一种基于时间序列复杂网络(complex networks)和互信息(mutual information)的新方法来预测标准普尔 500 指数(S&P 500)未来的变化,并且使用这种方法可以明显提高建立 ARIMA 模型的准确性,这些发现可以为金融市场决策者提供指示,在市场发生剧烈变化之前干预市场。同时,对于量化投资者来说,这也可以提高他们的预测模型。
May, 2017
本文提出了一种利用多模态注意力网络(multi-modality attention network)进行股票预测的方法,将社交媒体中的语义信息和历史交易记录中的数字特征相结合,通过减少冲突来提高预测准确性(61.20%)和交易利润(9.13%),从而提高了股票预测的性能和为多模态融合提供了未来研究方向。
Dec, 2021
研究社交网络中外部事件如何与网络结构和通信属性的变化相关,在对大型对冲基金的决策者的数百万条即时消息进行了分析后,发现价格冲击会导致通信网络显示出更高的集聚度,强关系交互以及内部与外部的交流强度变化,因此揭示了社交网络中的网络结构与集体行为之间的重要预测关系。
Feb, 2016
该研究分析了社交网络和话题关联结构的相互作用,使用 Twitter 上的 hashtag 数据,预测社交关系和 hashtag 的流行度,并在小结中指出这些发现在其他不同领域同样具有广泛适用性。
Dec, 2011
通过社交网络中推广模式的早期传播模式,研究成功的梗可预测性。我们提出和分析了一套全面的特征,并开发了一个准确的模型来预测梗的未来流行度。我们将特征分类为三组:早期采用者的影响、社区集中度和采纳时间序列的特征。我们发现,基于社区结构的特征是未来成功的最强预测因素。我们还发现,梗的早期流行度不是其未来流行度的好预测因素,与常见信念相反。我们的方法在检测非常流行或不受欢迎的梗方面优于其他方法。
Mar, 2014
该研究旨在使用金融文本分析来估计多个资产之间的相关结构,并通过自然语言处理验证其对未来相关系数变化的预测准确性,结果表明该方法与传统的时间序列数据预测相比具有实用性。
May, 2024
本文阐述了如何使用社交媒体内容来预测真实世界的结果,具体来说,作者使用 Twitter 上的内容预测了电影的票房收入,并演示了如何使用从 Twitter 中提取的情感来进一步提高社交媒体的预测能力。
Mar, 2010
本文回顾了金融时间序列聚类及其相关联的其他互动网络的研究现状,旨在将来自不同领域的相关材料聚集在一起。我们希望本文将成为研究人员更有效地使用金融时间序列的替代建模方法以及决策者和量化研究人员利用其洞见的基础。最后,我们还希望这份综述将成为研究金融市场中的相关性、层次、网络和聚类的开放工具箱的基础。
Mar, 2017