EMNLPOct, 2019

分组、提取和聚合：为外汇运动预测总结大量金融新闻

PDF
TL;DR本研究提出了一种基于 BERT 的分层聚合模型，通过最先进的抽取式摘要方法，从大量的金融新闻中提取最关键的新闻，并与交易数据相互作用来预测外汇市场的动向。实验结果表明，类别为基础的方法在三种分组方法中表现最佳，并在所有基线模型中表现最优。此外，研究了关键新闻属性（类别和地区）的影响模式，总结了不同货币对的影响模式。
发现论文，激发创造
  • 将文章分解为事实和观点，并检索实体进行问题导向的摘要生成

    该研究利用自然语言处理技术预测股票价格波动，旨在早期发现能够捕捉市场机会的经济、政治、社会和技术变化。通过从新闻文章中识别重要事实和事件，并使用这些事实与实体形成元组，以获取特定实体的市场变化摘要，最后结合所有摘要形成整篇文章的最终摘要。使用大型语言模型 GPT 3.5 进行摘要提取，并分析维基百科数据和《经济学家》的文章以建立公司和实体之间的关系。该研究旨在开发一种全面的系统，通过提前发现市场趋势和事件，为金融分析师和投资者提供更加明智的决策工具。

    Oct, 2023

  • 深度学习模型和新闻头条是否在外汇数据上优于传统预测技术？

    本研究测试并比较了不同的预测与新闻因素，并使用基于 NLP 的词嵌入添加情感特征，结果表明在单步预测中，如未来两小时，下一天和七天内，简单回归模型表现更佳。此外，Word2Vec 表现最佳。

    May, 2022

  • 利用潜在狄利克雷分配进行金融新闻中有关信息、预测和预测的自动检测

    通过组合多段主题分割和共指消解分离作者表达模式、使用 LDA 检测相关文本以及分析其中的预测和预言的话语暂时性，我们提出了一个新颖的自然语言处理系统，以在非结构化文本来源中帮助投资者检测相关的金融事件。

    Mar, 2024

  • 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

  • 金融年报特征提取的多任务学习

    通过使用多任务学习方法，结合不同任务上的信息，我们提出了多种金融文本分类方法，重点关注金融情绪、客观性、前瞻性句子预测和 ESG 内容检测。然后，我们使用这些分类器从 FTSE350 公司的年度报告中提取文本特征，并研究 ESG 定量分数与这些特征之间的关联。

    Apr, 2024

  • 金融文本数据的多标签主题模型

    本研究提出了一种适用于金融文本的多标签主题模型，使用新的金融多标签数据库进行训练，并通过分析股市反应来研究不同主题之间的差异以及协同出现主题对股市反应的影响，模型的最佳表现可达到超过 85% 的宏观 F1 得分。

    Nov, 2023

  • 通过结合自然语言处理和机器学习在金融新闻中检测篇章层面的时间性

    通过自然语言处理和机器学习技术，我们提出一种能够在语篇层面检测金融相关新闻时态性的新系统，利用了句法和语义依赖等复杂特征，从而提取主要陈述的主导时态。实验结果表明，与一种基于规则的替代方法相比，该系统具有较高的检测精确度，最终有助于发掘金融决策的预测性知识。

    Mar, 2024

  • 自动新闻摘要

    本研究论文针对新闻文本自动摘要的抽取和生成方法进行了广泛的比较评估，重点分析了 ROUGE 分数。研究使用 CNN-Daily Mail 数据集，包括新闻文章和人工生成的参考摘要。通过 ROUGE 分数评估生成摘要的效果和质量，再将表现最佳的模型整合到 Web 应用程序中，评估其在真实世界中的能力和用户体验。

    Oct, 2023

  • 利用信息提取和压缩进行大规模多文档摘要

    开发了一种基于抽象的总结框架，适用于多个异构文档，该框架独立于标记数据。 与现有的多文件总结方法不同，我们的框架处理讲述不同故事的文档，而不是同一主题的文档。 最后，我们基于 CNN / Daily Mail 和 NewsRoom 数据集构建了总共十二个数据集变体，其中每个文档组都包含大量且多样化的文档，以评估我们的模型与其他基线系统的性能。 我们的实验表明，我们的框架在这种更通用的情况下胜过了现有的最先进方法。

    May, 2022

  • 多策略文本处理在金融数据分析应用中的应用

    本文主要介绍了如何利用多种数据挖掘技术和深度学习应用于金融文本处理场景，并且展示了如何使用自然语言处理（NLP）和知识图谱（KG）技术来从异构数据中识别金融风险和机会。

    Apr, 2022