供应链网络中新闻流的市场反应
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
本文提出了一种基于事件驱动的交易策略,通过从新闻文章中检测公司事件来预测股票走势,并通过检测到的事件在文章级别上获取暂时的股票错定价,实现了超越市场基准的交易回报率。
May, 2021
本文探讨了社交媒体(Twitter和Reddit)帖子对于预测股票收盘价格的影响,通过将社交媒体数据的情感分析与历史股票数据相结合,使用时间序列模型进行研究分析,并实验结果表明,包括高管帖子的社交媒体数据能够显著提高股票价格的预测能力。
Nov, 2022
本研究分析了45,379篇韩国经济日报文章标题中'Words that Wound'这类含有偏见的语言对情感分析的影响。通过使用Word2Vec,余弦相似度和扩展词库,研究发现,这些词汇显著增强了情感分数的程度,特别是负面情感。该研究还证明Sent1000这个扩展的情感词库比原始的KNU情感词库Sent0更有效地捕捉了新闻情感对股市指数的影响,并且韩国股市指数KOSPI200在情绪强度高的新闻标题中更容易受到影响。
Apr, 2023
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
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
通过金融新闻标题的情感驱动交易策略,我们研究了大型语言模型对交易性能的影响,发现通过去除文本中相关公司的标识符来减少分散效应对交易策略产生更大的积极影响。
Sep, 2023
本研究提出了一种适用于金融文本的多标签主题模型,使用新的金融多标签数据库进行训练,并通过分析股市反应来研究不同主题之间的差异以及协同出现主题对股市反应的影响,模型的最佳表现可达到超过85%的宏观F1得分。
Nov, 2023
2021年初由网站 Reddit 上的散户带头的 GameStop 股票空头压力,显示出社交媒体中嵌入的信息与市场走势相关。本研究旨在通过使用分类评论和流行词的每日频率作为 Fama-French 三因子模型的附加因素来研究这种关系。评论使用无监督聚类方法进行分类,而之前的研究使用的是针对所研究领域不特定的预训练模型。
Nov, 2023
本研究解决了传统模型难以捕捉金融新闻与市场反应之间复杂动态关系的问题。提出的几何超图注意力网络(GHAN)通过引入可解释人工智能,能够有效建模高阶关系,实现更准确的市场预测和更好的可解释性。实证验证表明,GHAN在金融新闻影响分析中优于传统情感分析和时间序列模型,具有重要的实际应用潜力。
Aug, 2024