ICMLJan, 2022

Dual-CLVSA: 一种基于情感测量的新型深度学习方法预测金融市场

PDF
TL;DR这篇论文提出了一种基于深度学习和序列到序列模型的新方法，名为 dual-CLVSA，可通过两个独立的渠道（交易数据和社会情感测量）来预测金融市场走势，并验证了社会情感测量不仅对于金融市场预测是信息丰富的，而且也包含额外的有效特征，以提高我们的预测系统的表现。该方法在 SPDR SP 500 Trust ETF 的历史交易数据上进行回测实验证明了其有效性。
financial marketsdeep learningsocial sentimentsequence-to-sequencepredictive model
发现论文，激发创造
  • CLVSA: 一种基于卷积 LSTM 和注意力机制的变分序列到序列模型，用于预测金融市场趋势

    提出了 CLVSA 模型，它是一个包含了随机循环网络、序列到序列的体系结构、自注意机制和卷积 LSTM 单元的混合模型，能够更好地捕捉金融交易数据的特征和趋势，同时利用 Kullback-Leibler 差距作为正则化，避免模型过拟合问题。通过六种期货的回测结果表明，该模型胜过基础模型，如卷积神经网络、vanilla LSTM 网络和带有注意力机制的序列到序列模型。

    Apr, 2021

  • 运用 QNLP 进行金融情感分析

    在金融领域，质量上的微小改进就可能带来巨大的价值。本研究通过使用 DisCoCat 和 QLSTM 这两种方法，对量子自然语言处理 (QNLP) 领域中的情感分析问题进行了探索，并使用一种新颖的 ChatGPT 数据生成方法进行了超过 1000 个实际句子的案例研究，发现 QLSTM 的训练速度比 DisCoCat 快得多，并且在其可用的软件实现上实现了接近经典结果的性能。

    Jul, 2023

  • CLMLF：用于多模态情感检测的对比学习和多层融合方法

    该论文提出了一种用于多模态情感检测的对比学习和多层融合（CLMLF）方法，通过对文本和图像进行隐藏表征编码，设计了两个对比学习任务，标签对比学习和数据对比学习，有助于模型学习多模态数据中与情感相关的共同特征。在公开数据集上进行的大量实验证明了该方法与现有方法相比，在多模态情感检测方面具有很好的效果。

    Apr, 2022

  • 金融时间序列波动性预测中深度序列模型的基准测试

    本文探讨了通过利用深度学习的结构，对股价波动进行建模的可行性，并针对 2018 天中的 1314 个股票序列，通过负对数似然度量对现实世界的股票时间序列的实验进行比较，结果表明，与 GARCH 家族的各种常用确定性模型和最近提出的几个随机模型相比，包括扩展 CNN 和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测

    Nov, 2018

  • 股市价格预测：基于混合 LSTM 和连续自注意力的方法

    提出了一种名为 LSTM-SSAM 的新模型，通过对历史价格趋势和季节性的分析，实现了对股票价格的未来预测，并通过实验证明了该模型的有效性和可行性。

    Aug, 2023

  • BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

    使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

    Apr, 2017

  • 基于知识增强的双层注意力网络用于情感分析

    本研究提出了一种基于双向长短期记忆的新型两层注意网络，利用 WordNet 生成知识图嵌入来提高情感分析的预测能力，将其与基于支持向量回归和多层感知机网络的监督模型相结合，实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统，分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。

    May, 2018

  • 基于对比学习的边缘计算网络中流行度预测的生存分析

    提出一种基于对比学习的生存分析（CLSA）框架，结合移动边缘缓存（MEC）和深度神经网络（DNNs），用于预测 MEC 节点存储的最受欢迎的内容，相较于现有的时序 DNN 模型在网络输入规模方面具有更好的性能

    Mar, 2023

  • DeepSentiPers：基于增强波斯语情感语料库训练的新型深度学习模型

    本文旨在提出两种深度学习架构以及数据增强技术来分类波斯语句子的多分类和二分类情感，实验结果表明我们提出的方法可以成功地解决此问题。

    Apr, 2020

  • Twitter 社交网络句子级情感分类的深度神经网络架构

    本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

    Jun, 2017