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

本文提出一种新的股市趋势预测框架，可以充分挖掘预定义概念和隐藏概念中的概念导向共享信息，同时利用股票的共享信息和个体信息，提高了股市趋势预测的性能，在实际的投资仿真中，相对于基准线，我们的框架可以获得更高的投资回报。

Oct, 2021

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

通过自然语言处理和文本挖掘技术，利用新闻内容预测股票趋势并对在线内容的低质量、不可靠性和全面性进行解决，提出了一种混合注意力网络来捕捉前两个原则，并应用了自主学习机制来模仿第三个原则。在真实股市数据上的广泛实验表明了这种方法的有效性。

Dec, 2017

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

本文通过对 2010 年 1 月至 2016 年 12 月印度医疗保健部门的时间序列数据进行分解，并基于对其结构的分析提出了六种不同的预测方法，进而证明了这些方法的有效性。

Apr, 2017

本研究通过新闻情感分类预测公司未来股票趋势，利用三种分类模型将新闻情感划分为正面或负面，得到预测模型的准确率超过 80%，比随机预测提高了 30%。

Jul, 2016

本文旨在研究如何使用基于案例的推理来进行金融领域中的行业分类。通过提出一种基于股票回报嵌入的新型表征方法，使得此任务能够得到有效解决，并在现有的公共数据集上获得了显著的性能提升。

Apr, 2023

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

通过 AlphaFin 数据集和 Stock-Chain 方法，有效地解决了金融分析中的挑战，提供了可解释性的股票趋势预测和金融问答的综合框架。

Mar, 2024