利用文本数据预测欧洲 GDP
该研究通过对六家大型美国报纸的新闻文章进行情感分析,发现经济情绪与商业周期波动密切相关,是预测四个主要宏观经济变量的相关因素之一,并且预测准确度得到了显著提高。此外,该研究还发现情感分析在解释多个宏观经济变量概率分布的尾部时也具有重要作用。
Mar, 2022
本研究采用深度学习方法,通过比较多种深度学习模型(LSTM, BD-LSTM, ED-LSTM 和 CNN)及传统时间序列模型(ARIMA,VAR)预测未来十年全球经济的 GDP 增长率,预测结果显示中国、法国和印度的 GDP 将会保持稳定或增长,而其他大多数发达国家和新兴市场经济体的经济增长将会放缓、停滞甚至衰退。其中,ED-LSTM 模型预测效果最佳。
Jan, 2023
本文通过调查一系列网络数据集和情感追踪方法,比较它们对预测金融市场指数、交易量和市场波动率以及黄金价格的价值,结果表明,传统的调查情绪指标是金融市场的滞后指标,但是一些在线情感指标是非常具有统计显著性的预测因素。
Dec, 2011
该研究介绍了利用开放源代码的地理定位维基百科文章中的文本信息,运用现代 NLP 技术,预测社区层面的资产财富和教育成果的新方法,提高普查数据收集的成本效益,优于先前的数据预测基准,能为社会科学研究和政策决策提供参考。
May, 2019
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
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
本研究目的是调查情感分析如何应用于外汇市场生成交易信号,作者通过词典分析和朴素贝叶斯机器学习算法,评估了与美元有关的社交媒体帖子和新闻文章的情感。研究结果表明情感分析在预测市场走势和制定交易信号方面具有价值,并且其有效性在不同市场条件下保持一致。作者得出结论,通过分析新闻和社交媒体中表达的情感,交易者可以了解市场对美元和其他相关国家的情绪,从而帮助做出交易决策。本研究强调了将情感分析融入交易策略作为预测市场动态的关键工具的重要性。
Feb, 2024
本文通过针对 2019 年阿根廷总统大选主要媒体发布的 1,976 个题名候选人的情感数据集,利用预训练的语言模型和最先进的分类算法,解决了特定领域新闻标题情感分析的问题,并公开了数据和模型。
Aug, 2022
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