股票市場(chǎng)的變化是一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展的“晴雨表”,中國(guó)股市的投資者大多以散戶為主,依靠各種新聞報(bào)道、通過(guò)分析報(bào)告或者一些小道消息來(lái)分析和買賣股票,近年來(lái)隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展,越來(lái)越多的股民喜歡通過(guò)網(wǎng)絡(luò)平臺(tái)發(fā)表或獲取相關(guān)股票的評(píng)論,作為股票投資的重要渠道。股市網(wǎng)絡(luò)輿情在股票論壇中多以網(wǎng)絡(luò)評(píng)論的形式存在,其中大約90%是文本數(shù)據(jù),具有數(shù)據(jù)量大、非結(jié)構(gòu)化、實(shí)時(shí)變化的特點(diǎn),因此投資者如何利用網(wǎng)絡(luò)上的碎片評(píng)論信息來(lái)預(yù)測(cè)股市的發(fā)展趨勢(shì),并以此來(lái)優(yōu)化自己的投資決策是目前研究的一個(gè)熱點(diǎn)也是難點(diǎn)。本文選取2016年?yáng)|方財(cái)富股吧（http://guba.eastmoney.com）的上海證券交易所股票價(jià)格綜合指數(shù)（Shanghai Stock Exchange,SSE）180股指的網(wǎng)絡(luò)評(píng)論為研究對(duì)象,利用文本挖掘技術(shù)構(gòu)建基于基于自適應(yīng)噪聲的完全集合經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN）算法的AdaBoost-IWOA-Elman預(yù)測(cè)模型。文章具體工作如下:（1）股市信息的獲取及規(guī)范化... 

【文章來(lái)源】：蘭州理工大學(xué)甘肅省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 網(wǎng)絡(luò)輿情對(duì)股市影響
        1.2.2 網(wǎng)絡(luò)文本挖掘法
        1.2.3 股市預(yù)測(cè)方法
    1.3 目前存在問(wèn)題分析
    1.4 研究?jī)?nèi)容和創(chuàng)新點(diǎn)
    1.5 論文結(jié)構(gòu)與章節(jié)安培
第2章 相關(guān)理論知識(shí)
    2.1 文本挖掘
        2.1.1 網(wǎng)絡(luò)爬蟲(chóng)(Python Spyder)
        2.1.2 中文分詞(Python Jieba)
        2.1.3 詞頻和詞語(yǔ)-逆文檔頻數(shù)(TF-IDF)
        2.1.4 文本向量空間模型(VSM)
    2.2 CEEMDAN算法
        2.2.1 經(jīng)驗(yàn)?zāi)B(tài)分解法(EMD)
        2.2.2 完全集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)
    2.3 Elman神經(jīng)網(wǎng)絡(luò)
    2.4 鯨魚(yú)算法(WOA)
    2.5 改進(jìn)鯨魚(yú)算法(IWOA)
    2.6 AdaBoost算法介紹
    2.7 本章小結(jié)
第3章 數(shù)據(jù)采集與規(guī)范化處理
    3.1 樣本數(shù)據(jù)采集
        3.1.1 股評(píng)數(shù)據(jù)獲取
        3.1.2 收盤價(jià)數(shù)據(jù)獲取
    3.2 文本數(shù)據(jù)預(yù)處理
        3.2.1 中文分詞
        3.2.2 去停用詞
        3.2.3 合并同義詞
        3.2.4 計(jì)算權(quán)重
        3.2.5 文本表示
    3.3 屬性選擇
        3.3.1 Boruta初步選擇屬性
        3.3.2 CEEMDAN算法屬性分解及重構(gòu)
    3.4 本章小結(jié)
第4章 AdaBoost-IWOA-Elman預(yù)測(cè)模型構(gòu)建
    4.1 Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建
        4.1.1 Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建流程
        4.1.2 Elman神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)計(jì)
    4.2 WOA-Elman預(yù)測(cè)模型構(gòu)建
        4.2.1 WOA-Elman模型構(gòu)建思想及流程
        4.2.2 WOA算法參數(shù)設(shè)計(jì)
    4.3 IWOA-Elman預(yù)測(cè)模型構(gòu)建
        4.3.1 IWOA-Elman模型構(gòu)建流程
        4.3.2 IWOA算法參數(shù)設(shè)計(jì)
    4.4 AdaBoost-IWOA-Elman預(yù)測(cè)模型構(gòu)建
        4.4.1 AdaBoost-IWOA-Elman模型構(gòu)建流程
        4.4.2 AdaBoost算法參數(shù)設(shè)計(jì)
    4.5 預(yù)測(cè)結(jié)果
    4.6 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果及對(duì)比討論
    5.1 數(shù)據(jù)歸一化及評(píng)估指標(biāo)
        5.1.1 樣本數(shù)據(jù)歸一化
        5.1.2 評(píng)估指標(biāo)
    5.2 算法性能分析
        5.2.1 權(quán)重對(duì)WOA算法的影響
        5.2.2 適應(yīng)度分析
    5.3 預(yù)測(cè)結(jié)果
    5.4 對(duì)比分析
        5.4.1 預(yù)測(cè)結(jié)果對(duì)比
        5.4.2 預(yù)測(cè)效果對(duì)比
        5.4.3 預(yù)測(cè)誤差分析
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
附錄A 攻讀學(xué)位期間取得的科研成果



本文編號(hào)：3477105