EMNLPOct, 2019

股票价格预测中细粒度事件的引入

PDF
TL;DR使用领域专家构建金融专业事件字典，并自动从金融新闻中提取精细的事件信息，并设计神经模型将金融新闻与精细的事件结构和股票交易数据相结合，预测股票运动，实验结果表明，该方法胜过所有基准线，并具有良好的泛化能力。
stock movement predictionevent structure informationfine-grained eventsfinance newsneural model
发现论文，激发创造
  • 事件交易：基于新闻驱动的交易的公司事件检测

    本文提出了一种基于事件驱动的交易策略，通过从新闻文章中检测公司事件来预测股票走势，并通过检测到的事件在文章级别上获取暂时的股票错定价，实现了超越市场基准的交易回报率。

    May, 2021

  • 在低数据设置中利用粗粒度数据进行事件提取

    本文研究了使用粗粒度数据（文档或句子标签）替代对文档进行标注以进行事件信息提取的可行性，证明了使用多任务模型和二元分类等技术，即使只增加对没有事件信息的负面文档的标注也能提高提取性能。

    May, 2022

  • 基于图形多视角建模的长期、短期和突发事件：交易量动态预测

    我们提出了一种基于图的方法，可以将多个视角的信息有机地融合在一起，利用深度规范化分析技术来更好地预测金融市场中交易量的变化情况，并在实验中表现出色。

    Aug, 2021

  • 通过博客和电影推断细粒度事件因果关系

    本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。

    Aug, 2017

  • EFSA: 事件级金融情感分析

    该研究将金融情感分析（FSA）扩展到事件级别，通过设计粗细分类的事件类别，将事件从金融文本中提取出来，并提出了一个涵盖（公司，行业，粗事件，细事件，情感）的事件级别金融情感分析（EFSA）任务，在一个大规模的中文数据集上得到了与现有方法相媲美的结果。

    Apr, 2024

  • 利用外部常识知识增强的事件表示学习

    本论文提出一种利用外部常识知识的方法，增强文本中提取的事件表示的有效性，实验结果表明该方法在事件相关任务中表现良好，如事件相似度计算、脚本事件预测和股票市场预测等方面得到了显著优化。

    Sep, 2019

  • 股票走势预测的多模态注意力网络

    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

  • 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

  • 细粒度时间关系提取

    本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

    Feb, 2019

  • 原油相关事件提取与处理：迁移学习方法

    本文提出了一个完整的框架，通过转移学习的有效性，从 CrudeOilNews 语料库中提取和处理与原油相关的事件，解决了注释稀缺和类别不平衡的问题，除了事件提取，还着重于事件属性（极性、情态和强度）分类，以确定每个事件的事实确定性，这对于如商品价格预测、摘要等下游任务非常有用。

    May, 2022