Jan, 2023

利用嵌入和标签平滑改进基于新闻文章的股价走势分类

PDF
TL;DR利用深度学习的正则化和优化技术，通过嵌入和双向循环神经网络捕捉新闻文章和股票价格之间的关系，结合权重衰减、批量归一化、dropout 和标签平滑，提高了股票价格分类的准确性，实验结果表明，批量归一化和标签平滑是最有效的，平均提高了 6.0％和 3.4％的绝对准确性。
stock price predictionbehavioral financenews articlesdeep learningregularization
发现论文，激发创造
  • 利用词向量和深度神经网络预测股价走势的金融新闻杠杆

    本文应用词嵌入技术和深度神经网络模型，利用金融新闻预测股票价格的走向，实验证明该方法简单有效，可以显著提高标准金融数据库上的股票预测准确性。

    Jun, 2015

  • 可解释的基于文本驱动的神经网络股票预测

    本研究提出了一种双层注意力神经网络，通过知识方法提取相关的财经新闻，使用输入注意将更有影响力的新闻与日嵌入进行连接，最后采用输出注意机制以不同权重分配不同日对股价变动的贡献，在历史股票价格上进行的实证研究表明我们的方法在股票价格预测方面比现有方法更优越。

    Feb, 2019

  • 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

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    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

  • 使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序

    本研究基于印度国家股票交易所（NSE）中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据，构建了四个卷积神经网络（CNN）和五个长短时记忆（LSTM）深度学习模型，精确预测未来的股票价格，并提供了这些模型的执行时间和均方根误差（RMSE）的详细预测准确性结果。

    Nov, 2020

  • 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

  • 使用深度学习和自然语言处理的股票价格预测鲁棒性预测模型

    提出了一种利用机器学习、深度学习和自然语言处理的混合方法来预测股票价格走势，包括对印度国家股票交易所的 NIFTY50 指数数据进行分析、使用分类技术预测股票价格走势，使用回归模型预测股票收盘价等，最终通过集成情感分析模块，用推特情感和上周收盘价来预测下周的股票价格。所提出的算法通过自组织模糊神经网络方法的交叉验证得到了有趣的结果。

    Dec, 2019

  • 利用对抗训练提高股票走势预测

    本文介绍了一种新的机器学习解决方案，运用敌对训练改善神经网络模型的泛化性能，进而预测股票价格是否上涨或下跌。经过两组股票数据的广泛实验，结果表明敌对训练能使模型具有更好的预测准确性。

    Oct, 2018

  • 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

  • StonkBERT：语言模型能否预测中期股票价格波动？

    本文使用 BERT 等基于变换器的语言模型对不同公司相关文本数据进行分类，以预测一年的股票表现，并使用新闻文章、博客和年报三种不同类型的文本数据进行分析。研究发现，使用新闻文章源的 StonkBERT 在股票表现分类方面比传统语言模型表现出更好的预测精度，该研究还表明这种精度提升也会转化为股票市场上超出平均的回报率。

    Feb, 2022