Apr, 2024

BERTopic 驱动的股市预测：揭示情感洞察

PDF
TL;DR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。
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

  • 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

  • 利用时间序列分析和自然语言处理预测金融市场趋势

    本研究通过时间序列分析和自然语言处理，评估了利用 Twitter 情感进行预测特斯拉、苹果等主要公司股票价格的可行性，结果表明积极性、消极性和主观性是股票价格波动的主要决定因素。该研究强调了将公众意见纳入股票价格预测的重要性，同时指出利用 Twitter 情感可以作为预测股票价格的有效工具，应纳入投资策略制定。

    Aug, 2023

  • 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

  • 加密货币市场预测的社交媒体情感分析

    本研究探讨了不同的自然语言处理模型在社交媒体情感分析中的可用性，应用于金融市场预测，以加密货币领域为参考。我们研究了不同情感度量与比特币价格波动之间的相关性。通过实验我们发现有一个模型优于其他 20 多个公开模型，且通过 fine-tune 可以得到更好的性能，其解释性更强。因此我们证实可解释的人工智能和自然语言处理方法可能比不可解释的方法更有实际价值。最后，我们分析了不同情感度量与价格波动之间的潜在因果关系。

    Apr, 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

  • 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

  • 利用深度学习预测加密货币价格：整合金融、区块链和文本数据

    探索机器学习和自然语言处理技术在加密货币价格预测中的应用，通过分析来自 Twitter 和 Reddit 的新闻和社交媒体数据，使用深度学习的 NLP 方法研究公众情绪对加密货币估值的影响，将加密货币价格预测视为分类问题，比较不同的机器学习模型的性能，并发现含有 NLP 数据显著提升了预测性能，强调了文本分析在改善金融预测中的潜力，证明了各种 NLP 技术在捕捉细微市场情绪方面的效果。

    Nov, 2023

  • 使用 Transformers 和情感分析支持股票趋势预测

    本文利用 Transformers 模型和情感分析结合了技术股票数据和头条新闻数据，以准确预测股票趋势。与 RNN 相比，我们的模型在预测时间窗口为 30 个工作日的情况下将方向准确性提高了近 18.63％。

    May, 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