应用机器学习模型预测乌克兰危机的影响
本研究使用基于 BERT 的模型分析推特上关于俄乌战争的观点和情感,采用邻域平均法模拟和聚类各国家时间序列,并提供有关公众对此冲突看法的有价值的见解。
Jan, 2023
运用先进的机器学习技术,包括随机森林和极限梯度提升,来预测主要发生在美国市场的潜在市场崩盘;同时,通过比较模型表现,考察哪种模型更适合预测美国股市崩盘。
Jan, 2024
该论文提出了一种新的基于字典的无监督情感分析方法,用于衡量 2022 年乌克兰俄罗斯冲突中的 “希望” 和 “恐惧”,并使用 Reddit 搭建数据集进行多项分析,利用主题模型算法 LDA 来理解用户提出的主要问题和要点。实验结果表明,随着 Azovstal(Mariupol)和 Severodonetsk 的象征性和战略性损失,希望强烈下降。此外,重要战斗和一些非军事事件(如欧洲歌唱比赛和足球比赛)均存在希望 / 恐惧的大幅波动。
Jan, 2023
本文研究了新冠疫情对全球 Bitcoin 价格的影响,使用机器学习模型测试了社会动荡和 COVID-19 大流行对比特币需求和价格的影响。
Jan, 2023
研究表明,社交网络在危机期间扮演了重要的信息交流角色,可反映大规模公众舆论和情感,同时也可用于研究不同实体所采用的宣传舆论工具及其传播效果。作者提供了 2022 年俄乌危机期间 Twitter 数据集,包含 1.6 万条推文,时间跨度为危机的首个星期。
Mar, 2022
通过对大量新闻语料库进行自然语言处理,本研究探讨了能源需求与社会其他方面的联系,并发现军事冲突、交通运输、全球大流行、地区经济和国际能源市场等因素与电力需求有关。此外,研究还发现在英国的五个地区,经济指标对于东米德兰兹和北爱尔兰而言更为重要,而社会指标对于西米德兰兹和英格兰西南部更为有用。此外,利用这些指标可以提高预测性能最多达到 9%。
Jun, 2024
该研究通过结合机器学习技术和因果推断,考察了宏观经济政策对金融市场的影响。重点关注美联储调整利率对固定收益和股权基金回报的影响,并对主动和被动管理的基金进行了区分。结果显示,梯度提升是预测基金回报的有用工具,例如,利率上升 1%导致主动管理基金回报下降 - 11.97%。这一对利率和基金表现之间的关系的理解为进一步研究提供了机会,并为基金经理和投资者提供了富有洞察力和数据驱动的建议。
Mar, 2024
通过世界一些主要金融市场指数的相关矩阵的特征值及特征向量,我们发现市场行为的高波动性与它们之间的强相关性成正比。这意味着在大规模崩盘期间,市场倾向于表现为同一趋势。为了支持这种说法,我们研究了 1987 年(黑色星期一)、1989 年(俄罗斯危机)、2001 年(互联网泡沫破裂和 9/11 事件)以及 2008 年(次贷危机)等金融市场危机,这些危机是过去三十年中最大的市场下滑。
Feb, 2011
本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为,并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响,实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%,最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布,识别国际冲突新闻的全球词嵌入,为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性,具有潜在的社会学和经济学影响。
Jan, 2023