Jun, 2022

Astock：一种基于股票特定新闻分析模型的新数据集和自动股票交易系统

PDF
TL;DR本研究利用自然语言处理（NLP）技术分析社交媒体和新闻发布的文本，建立一个支持金融决策的股票自动交易算法平台。借助语义角色标注池化方法（SRLP）和自监督学习，我们在更逼真的环境中开发和评估了该系统，并展示了该方法在实际交易中超越了所有基准的周年收益率和最大回撤率。
natural language processingfinancestock auto-tradingsemantic role labelingself-supervised learning
发现论文，激发创造
  • 自然语言处理与多模式股价预测

    该研究利用股票百分比变化作为训练数据，采用人工智能技术（如长短期记忆网络、支持向量机和自然语言处理模型）分析公开发布的新闻文章，使用专门的 BERT 自然语言处理模型预测股票价格趋势，强调不同数据特征和行业特定数据的有效性。

    Jan, 2024

  • BERTopic 驱动的股市预测：揭示情感洞察

    本研究探讨了自然语言处理（NLP）与金融分析的交叉领域，重点关注情感分析在股价预测中的影响。我们使用先进的 NLP 技术 BERTopic 来分析从股市评论中得出的主题的情感。我们的方法将情感分析与深度学习模型相结合，这些模型以其在时间序列和股票预测任务中的有效性而闻名。通过全面的实验，我们证明了融入主题情感能够显着提高这些模型的性能。结果表明，股市评论中的主题提供了对股市波动和价格趋势的含蓄而有价值的见解。本研究通过展示 NLP 在丰富金融分析方面的潜力，为该领域做出了贡献，并为实时情感分析以及市场情感的情绪和情境方面的进一步研究开辟了道路。将 BERTopic 等高级 NLP 技术与传统金融分析方法相结合，标志着在开发更复杂的了解和预测市场行为工具方面迈出了一步。

    Apr, 2024

  • 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

  • 基于定量分析和定性数据的股市预测数据集

    本研究将机器学习应用于金融领域，尤其是股票市场预测。研究通过合作数字股票数据和定性文本数据，提供了一个包含来自新闻档案、电视新闻字幕、广播节目文字转录、推特、日常金融报纸等的 140 多万条文本数据的数据集，该数据集可用于股票市场预测的全球研究中。

    Nov, 2023

  • GPT-InvestAR: 通过大型语言模型对年度报告分析增强股票投资策略

    年度报告包含了上市公司的财务状况，有助于评估其对股票价格的潜在影响。本文利用大型语言模型的能力简化了所有公司年度报告的评估过程，并通过历史股价数据编制了量化模型数据集，使用机器学习模型进行训练，结果显示出对标普 500 指数的良好超额收益。该研究为未来相关工作提供了一个框架，同时开源了相关代码。

    Sep, 2023

  • StockEmotions: 金融情绪分析和多元时间序列的投资者情绪发现

    介绍了 StockEmotions 数据集，其中包括股票市场的情感情绪分类和时间序列数据，通过 NLP 技术和 LSTM 模型处理，可以提高金融情感分类和多元时间序列预测的性能。

    Jan, 2023

  • 使用 Stocktwits 数据进行文本挖掘以预测股票价格

    介绍一个基于 ALBERT 算法的 FinALBERT 模型，训练数据为标记为股票价格变化的 25 个公司的 10 年的 Stocktwits 数据集，通过对传统机器学习、BERT 和 FinBERT 模型训练数据集的实验，得出该标记方法有竞争力优势，可以有效分析历史数据，预测股票走势。

    Mar, 2021

  • 股市情绪分类和精细调整的 BERT 回测

    基于情绪理论，本文以东方财富网为例，从用户评论数据中提取情感信息，并结合 Alpha191 模型进行回归分析，结果显示情感因素的加入使回报率相比于基准模型提高了 73.8%，相比于原始 alpha191 模型提高了 32.41%。同时讨论了情感因素融入量化交易的优点和缺点，并提出未来进一步研究的可能方向。

    Sep, 2023

  • 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

  • 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