股市舆情潜藏情感倾向对收益率的预测研究

以网络股评舆情数据作为非结构型文本数据研究对象,结合股票市场的相关交易指标,使用文本挖掘技术和机器学习算法确定投资者情绪测度指标,分析舆情数据中潜藏情感倾向对未来短期内股票收益率的预测能力.实证结果表明,舆情文本中挖掘潜藏情感信息能够以较高的准确率实现对股市收益率的预测.分析讨论了对预测结果有一定影响的特征字段与训练样本两个因素,发现在特征字段数量不变的情况下,随着训练数据的增多,预测结果的解释能力会有所提高;而当训练数据维持在一定范围内时,特征词数量的选取对预测结果也有很大的影响.     

利用社交媒体情感分析的短期股价趋势预测方法

本文旨在利用社交媒体中的情感信息来提升股价涨跌预测性能.与以往粗粒度地使用文本中的情感信息不同,将与某公司特定话题相关的细粒度情感信息引入预测模型中,并提出一个用于短期股价预测的全新特征——"话题-情感",该特征同时抽取话题和情感信息,并协同利用二者来预测股价涨跌.此外,以往的测试数据集中交易日数量非常少或者仅包含单支股票的数据,本文方法构建了包含众多股票的长时间跨度数据集,并在此数据集上验证了细粒度情感分析对股价涨跌预测的良好效用.     

EMD分解下基于SVR的股票价格集成预测

为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF(EMD and SVR based stock price integrated forecasting)。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。     

基于BPNN和SVR的股票价格预测研究

将情感分析和机器学习方法相结合,以股票新闻数据为基础,分别采用BP神经网络(BPNN)和支持向量机回归(SVR)两种方法,对股票价格进行预测分析。首先选取交易量较大的20只股票作为研究对象,抓取相关的新闻数据。然后邀请专家对高频词进行人工情感打分,得到一个针对性更强、粒度更细[-5,+5]的情感词典,同时考虑否定词、程度副词、假设疑问词和情感词间的相互作用,归纳出9种常见的语义规则,给不同的语义规则下的情感词赋予不同的权重,对情感值进行修正。最后分别采用BPNN和SVR两种方法构造股价预测模型,并对模型的预测效果进行对比分析。结果表明,文章提出的人工情感词典和语义规则在股价预测领域表现良好,情感得分正负方向与股价涨跌方向的一致程度显著提升,另外,SVR股价预测模型的均方误差更小,且股价走势方向正确率更高。     

财经新闻对中国股市影响的定量分析

首先采用文本挖掘技术、支持向量回归(support vector regression,SVR)方法将财经新闻内容量化为股市波动的一个影响因子,然后采用计量经济学中多元回归分析方法系统地分析了互联网财经新闻信息对中国股市的影响。主要研究了互联网财经新闻对中国股市的影响强度和影响时长,以及对不同规模的公司影响是否相同等一系列问题。研究发现新闻发布对深市股票的影响力度和持续时间均强于沪市股票;规模较小的公司的股票收益受新闻的影响较大。从而推断出难以量化的互联网财经新闻所包含的信息会在一定的时间内反映在股价中,能够对市场产生冲击。     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

融合多源数据的股指预测研究

金融市场中股票价格的变动受到多方面因素的影响,如何更好地利用更多的大数据为投资决策进行服务始终是各方研究的重点。本研究以沪深300指数为研究对象,采用图像化处理的方式融合财经新闻、市场交易数据和技术指标等多源异构数据,建立了卷积神经网络模型,对未来不同时间长度的股指图像数据进行涨跌预测。通过对模型结构的稳健性检验,使用60天融合新闻情绪、技术指标与股价三类图片的三层图片预测模型,预测股指未来5天后的涨跌样本外准确率可达65.2%。融合多源数据后的图片数据能够丰富单一的股价数据,从而提升了模型的预测准确率。通过与传统的线形模型、LSTM循环神经网络模型及其他经典卷积神经网络模型比较,本研究构建的预测模型在样本外预测效果最佳,表明本研究构建的基于多源异构数据的图片预测模型在股指预测中具有可行性和一定优势。     

成交量与股票收益率关系的实证分析

选取2005年至2015年上证指数数据,对上海证券交易所的股票成交量与股票收益率进行理论分析和实证研究,建立了股票日成交量变化率与日收益率回归模型、周成交量变化率和周收益率回归模型,得出股票收益率与股票成交量变化率呈正相关关系的结论。     

基于Ising模型的股票价格统计特征及模拟

根据统计物理中的Ising模型和极限理论,研究证券市场中股票价格的统计规律.通过建立相应的金融收益模型,构造出股价的随机过程.再利用计算机模拟股票价格收益率的分布特征,模型很好的刻画了现实证券市场中股票收益率分布的宽尾现象、长记忆性,以及累积分布中尾部收益的指数递减现象.     

基于协同微粒群的股票数据关联规则挖掘

传统的股票关联预测主要是通过数据分析与简单的回归预测的方法来进行,这种技术无法全面的对多只股票之间的变化关联进行分析预测,造成了股票走势的预测准确率不高,时效性不强的缺点.本文提出协同微粒群的股票关联规则挖掘方法,对股票属性数据进行特殊的预处理.将PSO粒子群优化的高度智能搜索技术与关联挖掘优点结合进行股票的关联预测,将粒子群划分为不同功能的粒子群进行关联分析.实验仿真结果证明,本文的算法较传统的关联规则挖据算法和PSO粒子群优化算法在准确率与挖掘速率上有很大的提高,能有效反应股票的实时变化,对实际的股票预测有很强的指导意义.     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

关于股票价格优化预测的建模仿真研究

股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.     

日历、成交量进程和股价波动率的关系

在成交量进程标度的股票价格动力学方程为几何布朗运动的假设下,将股票价格动力学方程的进程标度从成交量进程转换到日历进程.转换后的股价动力学方程能表现出异步交易特性,也能表现出股票收益率与成交量的非线性关系,而且能表现出股票收益波动率与成交量的非线性关系.通过对沪深两市共21支流通市值较大股票的实证检验,表明该模型能显著改进股票收益率的正态性.     

基于多特征融合的股票走势预测研究

为了更好地对股票走势进行预测,提出了一种在原有BiLSTM基础上引入注意力机制的股票预测模型,该模型不仅将股票交易数据作为模型输入,同时考虑到金融新闻对股价的影响.针对Reddit中苹果公司2010年到2018年间每日的新闻标题进行了研究,模型的输入特征来自于3部分：一是从文本数据中提取出的语义特征,二是股票的历史交易数据,三是从文本数据中提取出的情感特征,最后将上述输入特征融合到一起放入BiLSTM+Attention模型中进行训练,达到对股票的次日收盘价预测的效果.最终对5个模型进行对比实验,评价指标结果表明,提出的模型较其他模型相比预测效果更好.     

基于网络信息挖掘的股市影响因素分析

针对海量网络文本信息的获取、 量化和分析的难题, 采用信息抓取技术获得网络金融舆情文本信息, 并根据数据的信息量对金融舆情信息进行分类, 建立因子模型和时间序列模型, 分析网络金融舆情信息对我国股票市场的影响。通过实证得到以下结论： 与单只股票相关的网络文本信息数量, 明显影响了该只股票在第2日的收益率; 信息容量越大的网络文本信息对股票的影响力越大, 而不同组的信息对收益率的作用方向不同; 网络文本信息的数量与股票波动率明显相关, 信息容量不同的文本信息对波动率的影响力也不同。     

基于MATLAB的自回归移动平均模型(ARMA)在股票预测中的应用

利用时间序列在t时刻的有效观测值去预测在某个未来时刻t+l的值,并建立自回归移动平均(ARMA)模型,以MATLAB为工具,亚泰集团360个交易日的数据作为样本,预测10天股市的收盘价;并与含有一个隐含层的BP网络模型进行对比,结果表明自回归移动平均(ARMA)模型算法对短期股价预测的精度较高.     

基于运行状态信息的数控珩磨机液压系统可靠性预测方法

针对常规的可靠性预测方法无法实现对数控珩磨机液压系统可靠性进行有效预测的缺点,提出了一种基于运行状态信息及支持向量回归(SVR)的数控珩磨机液压系统可靠性预测方法.该方法主要包括状态特征指标的选取、瞬时可靠度的计算以及SVR预测模型的建立.为实现对SVR预测模型的有效解算,分别采用遗传算法(GA)、粒子群算法(PSO)和混合算法实现对SVR模型的核参数的寻优计算,并比较了3种方法下SVR模型的瞬时可靠度预测精度.实例仿真结果表明,与GA及混合算法相比,采用PSO算法来解算SVR预测模型能够得到更优的数控珩磨机液压系统的可靠性预测精度.     

基于循环神经网络和深度学习的股票预测方法

本文提出一种基于多路循环神经网络与深度学习的股票预测方法。针对股票的涨跌预测问题,使用分布式向量表示方法提取出股票相关的新闻文本特征,同时考虑到股票相关信息的时序性以及新闻影响的持续性特质,使用多路循环神经网络模型对所提取的特征与交易信息进行协同训练,从而获得历史信息的低维向量表示。最后将多个循环神经网络的输出进行拼接,利用深度神经网络共同对股票的涨跌进行分类预测。本文使用上证A股的价格与新闻数据进行实验,实验结果表明,本文所提出的方法在股票预测任务上具有明显的优越性。     

波动性的非参数局部多项式估计

利用非参数回归模型研究了股票收益率的波动性.在混合相依样本的条件下,结合迭代累积平方和法则(ICSS),作者应用局部多项式估计方法研究了我国上海和深圳股票收益率的波动分布.