Mar, 2024

基于情感驱动的金融收益预测：一种贝叶斯增强的 FinBERT 方法

PDF
TL;DR通过从推特中提取的情感信息，使用 FinBERT 大型语言模型的研究表明通过关联分析筛选特征集并采用贝叶斯优化的递归特征消除实现了超过 70% 的 F1 分数，从而在回测交易中获得了更高的累积利润。
predicting financial returnsfinancial time series datasentiment analysisfinbertfeature selection
发现论文，激发创造
  • 基于 BERT 的金融情感指数和基于 LSTM 的股票收益可预测性

    通过使用 Google 开发的预训练模型 BERT 以及 LSTM，结合期权和市场隐含方法，构建了一个更通用和综合的金融情感分析框架，证明了在金融情感分析中应用 BERT 相较于现有模型的显著改进，并进一步提供了对个股收益率可预测性的令人信服的结果。

    Jun, 2019

  • FinBERT：使用预训练语言模型进行金融情感分析

    本文提出了一种名为 FinBERT 的基于 BERT 预训练语言模型，用于在金融领域处理自然语言处理任务，实验结果表明它在当前两个金融情感分析数据集上的表现优于现有的机器学习方法。

    Aug, 2019

  • 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

  • Twitter FinBERT 嵌入式的多模态模型用于比特币极端价格变动预测

    本文提出了一种多模态预测模型，利用 Twitter 社交媒体以及其他相关资产价格和技术指标等预测比特币价格波动，最终构建一个能够准确预测市场运动的模型，提出了一种基于模型预测的交易策略，与传统策略相比风险更低，可用于实际交易。

    May, 2022

  • 微博平台专家对股市预测表现更好吗？

    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

  • SEntFiN 1.0：金融新闻情感分析中的实体感知

    本文探讨了在新闻标题中进行细粒度金融情感分析的任务和挑战，提出 SAEntFiN 1.0 数据集，并使用特征为基础的方法提取实体相关情感。使用 12 种不同的学习方案验证实验结果，RoBERTa 和 finBERT 的平均准确率和 F1 分数最高，同时使用 210,000 多个实体情感预测验证了情感对市场的影响。

    May, 2023

  • 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

  • 基于目标和方面的情感分析：从金融推特消息中检测机会和预防措施

    我们提出了一种新颖的面向目标的情感分析系统（TABEA），基于自然语言处理技术和机器学习流算法，能够单独识别同一条推文中不同股市资产的金融情绪（正负预测），并取得了 90% 以上的准确率。这个问题在决策中具有实践意义，但现有文献中尚未解决，我们也不知道之前有关 TABEA 的 NLP 或在线机器学习方法的工作。

    Mar, 2024

  • 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

  • 利用堆叠分类系统在微博数据中检测金融机会

    我们提出了一种新的系统，用于检测微博社交网络中的积极预测，这是一种金融情绪，类似于 Plutchik 理论中的 “预期”，通过应用自然语言处理技术提取有价值的语言信息，利用三层堆叠的机器学习分类系统和复杂的特征来实现高检测精度。在手动注释了金融情绪和股票发生标签的数据集上的实验结果表明，我们的系统在金融机会检测方面表现出了令人满意和有竞争力的性能，精度值高达 83%。这个有希望的结果证明了我们的系统在支持投资者决策方面的可用性。

    Mar, 2024