基于历史和情感分析的股市预测模型 HiSA-SMFM
通过情感分析市场新闻,本文针对金融市场制定了情感分析字典和模型,并对医药股市的新闻进行了分析,得出仅从新闻情感中,对于预测短期股价趋势有 70.59% 的准确率。
Dec, 2018
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
本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架,研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。
Apr, 2020
为了预测股票的未来价格,我们设计了一个高效的系统来捕捉 NITY50 股票的新闻情绪,并通过对新闻数据库和股票价格信息进行处理,使用多个 LSTM 模型来预测股票价格,并比较其表现。
Aug, 2023
本研究通过时间序列分析和自然语言处理,评估了利用 Twitter 情感进行预测特斯拉、苹果等主要公司股票价格的可行性,结果表明积极性、消极性和主观性是股票价格波动的主要决定因素。该研究强调了将公众意见纳入股票价格预测的重要性,同时指出利用 Twitter 情感可以作为预测股票价格的有效工具,应纳入投资策略制定。
Aug, 2023
本研究提出一种基于混合建模的新方法,使用机器学习和深度学习模型对印度 NSE 国家股票交易所 NIFTY 50 指数进行了股票价格预测,使用一周前的数据作为输入的基于 LSTM 的单变量模型在各种度量标准上表现最好。
Sep, 2020
该研究使用神经网络的新组合评估基于人群金融背景的情感分析预测股市,利用 BERT 对情感进行分类,利用 LSTM 进行基于时间序列的股市预测,并利用微博作为情感数据收集源来评估结果,指出从持牌金融顾问组学习到的股市预测比未经授权的金融顾问组学习到的预测结果精确度高出 39.67%,并且相较于现有方法,该方法的准确度最高(87%)。
Feb, 2024
使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务,本文将回顾多种深度学习算法,包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型,以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性,结果表明,较低的平均绝对误差(MAE)值可以更准确地预测股价。
Feb, 2024