發(fā)布時(shí)間：2022-02-12 08:42

　　針對(duì)目前人民幣匯率預(yù)測(cè)研究存在的數(shù)據(jù)源單一導(dǎo)致難以提升預(yù)測(cè)效果的問(wèn)題,提出一種嵌入互聯(lián)網(wǎng)輿情強(qiáng)度的預(yù)測(cè)技術(shù),通過(guò)融合多方面數(shù)據(jù)源進(jìn)行對(duì)比分析,有效降低了人民幣匯率的預(yù)測(cè)誤差。首先,融合互聯(lián)網(wǎng)外匯新聞數(shù)據(jù)和歷史行情數(shù)據(jù),并將多源文本數(shù)據(jù)轉(zhuǎn)化為可計(jì)算的特征向量;其次,通過(guò)情感特征向量構(gòu)建五種特征組合并對(duì)其進(jìn)行對(duì)比,給出了嵌入互聯(lián)網(wǎng)輿情強(qiáng)度的特征組合作為預(yù)測(cè)模型輸入;最后,設(shè)計(jì)外匯輿情影響匯率預(yù)測(cè)的滑動(dòng)時(shí)間窗口,建立基于機(jī)器學(xué)習(xí)的匯率預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,嵌入互聯(lián)網(wǎng)輿情的特征組合相對(duì)于不含輿情的特征組合在均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）上分別提升了9.8%和16.2%;此外,長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）預(yù)測(cè)模型比支持向量回歸（SVR）、決策回歸（DT）和深度神經(jīng)網(wǎng)絡(luò)（DNN）預(yù)測(cè)模型表現(xiàn)更好。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用. 2019,39(11)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 相關(guān)工作
    1.1 輿情影響力
    1.2 價(jià)格預(yù)測(cè)模型
2 準(zhǔn)備性研究工作
    2.1 數(shù)據(jù)準(zhǔn)備
    2.2 數(shù)據(jù)預(yù)處理
    2.3 文本數(shù)據(jù)特征化
3 美元兌人民幣匯率預(yù)測(cè)模型實(shí)現(xiàn)
    3.1 特征組合的選擇
    3.2 輸入向量窗口的設(shè)定
    3.3 預(yù)測(cè)滯后窗口的設(shè)定
    3.4 預(yù)測(cè)模型參數(shù)尋優(yōu)
4 實(shí)驗(yàn)與結(jié)果分析
5 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于R語(yǔ)言的網(wǎng)絡(luò)輿情對(duì)股市影響研究[J]. 朱昶勝,孫欣,馮文芳.  蘭州理工大學(xué)學(xué)報(bào). 2018(04)
[2]BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)確定方法研究[J]. 王嶸冰,徐紅艷,李波,馮勇.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(04)
[3]基于微博的投資者情緒對(duì)股票市場(chǎng)影響研究[J]. 張信東,原東良.  情報(bào)雜志. 2017(08)
[4]基于EEMD和SVR的人民幣匯率預(yù)測(cè)[J]. 秦喜文,張瑜,董小剛,劉媛媛.  東北師大學(xué)報(bào)(自然科學(xué)版). 2017(02)
[5]網(wǎng)絡(luò)輿情是否影響股市行情? 基于新浪微博大數(shù)據(jù)的ARDL模型邊限分析[J]. 陳云松,嚴(yán)飛.  社會(huì). 2017(02)
[6]公共危機(jī)事件網(wǎng)絡(luò)輿情生命周期特征分析及對(duì)策研究[J]. 趙巖,王利明,楊菁.  經(jīng)濟(jì)研究參考. 2015(16)

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的外匯匯率預(yù)測(cè)研究[D]. 鄧景煒.暨南大學(xué) 2017
[2]基于社會(huì)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情演化研究[D]. 丁潔.南京理工大學(xué) 2015



本文編號(hào)：3621404