在互信息與左右熵識別新詞的基礎(chǔ)上,針對股票市場建立了金融情感詞典,提出結(jié)合粒子群閾值優(yōu)化改進(jìn)的貝葉斯算法,并對每條評論的情感傾向進(jìn)行自動識別,從而完成對股票市場的分析.實驗與多種預(yù)測方法進(jìn)行比較,基于情感詞典的改進(jìn)貝葉斯算法識別準(zhǔn)確率為90.6%,表明該方法能夠獲得較為理想的預(yù)測結(jié)果. 

【文章來源】：東北師大學(xué)報(自然科學(xué)版). 2020年03期 第105-110頁 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

圖１分詞算法比較表２４個數(shù)據(jù)庫的新詞識別

情感數(shù)據(jù)挖掘的股票市場預(yù)測研究通過粒子群算法找出Ｓｓｅｎｔｉｍｅｎｔ的最佳閾值，以此閾值為界限，大于此閾值的視為積極情緒，標(biāo)記為１（Ｐｎｕｍｂｅｒ為大于此閾值的評論數(shù)目），小于此閾值的視為消極情緒，標(biāo)記為０（Ｎｎｕｍｂｅｒ為小于此閾值的評論數(shù)目），以歸一化的ψｄａｉｌｙ＿ｓｅｎｔｉｍｅｎｔ和實際的上證指數(shù)的價格變動曲線（ψｐｒｉｃｅ＿ｃｈａｎｇｅ）為研究目標(biāo)，以灰色相關(guān)聯(lián)系數(shù)作為判定標(biāo)準(zhǔn)，經(jīng)過３００次迭代，如圖３所示，得出最佳閾值為０．５４６，此時灰自相關(guān)系數(shù)達(dá)到最大，為０．７２９，ψｄａｉｌｙ＿ｓｅｎｔｉｍｅｎｔ的計算公式為ψｄａｉｌｙ＿ｓｅｎｔｉｍｅｎｔ＝ＰｎｕｍｂｅｒＰｎｕｍｂｅｒ＋Ｎｎｕｍｂｅｒ．（１４）圖３計算的灰自相關(guān)系數(shù)４實驗及其結(jié)果分析為驗證經(jīng)過改進(jìn)貝葉斯的情感判別結(jié)果，實驗使用準(zhǔn)確率、灰色相關(guān)系數(shù)、同斜率占天數(shù)比來評判實驗結(jié)果．實驗選�。担埃埃皸l已人工標(biāo)注好情感極性的帖子（即積極記為１，消極記為０），其中４０００條作為實驗樣本，１０００個作為測試樣本，同時使用ＫＮＮ、最大熵、ＳＶＭ等機(jī)器學(xué)習(xí)方法與實驗改進(jìn)方法進(jìn)行比較．準(zhǔn)確率為ＭａｃｒｏＰ＝１Ｎ∑Ｎｉ＝１Ｐｒｅｃｉｓｉｏｎｉ．（１５）灰色相關(guān)系數(shù)為ξｉ（ｋ）＝ｍｉｎｓｍｉｎｔ｜ｘ０（ｔ）－ｘｓ（ｔ）｜＋ρｍａｘｓｍａｘｔ｜ｘ０－ｘｓ（ｔ）｜｜ｘ０（ｔ）－ｘｉ（ｔ）｜＋ρｍａｘｓｍａｘ

【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)挖掘中并行離散化數(shù)據(jù)準(zhǔn)備優(yōu)化[J]. 劉云,袁浩恒.  四川大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[2]在線社交網(wǎng)絡(luò)信息有效分類傳播模型研究[J]. 楊林楓,黃賢英,劉小洋,劉超,劉萬平.  四川大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[3]基于擴(kuò)展規(guī)則與統(tǒng)計特征的未登錄詞識別[J]. 曾浩,詹恩奇,鄭建彬,汪陽.  計算機(jī)應(yīng)用研究. 2019(09)
[4]基于文本信息的股票指數(shù)預(yù)測[J]. 董理,王中卿,熊德意.  北京大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[5]基于中文股票博客的情感分類[J]. 李亞珍,李曉戈,于根.  武漢大學(xué)學(xué)報(理學(xué)版). 2015(02)
[6]基于情感分析技術(shù)的股票研究報告分類[J]. 彭敏,汪清,黃濟(jì)民,周李,胡鑫匯.  武漢大學(xué)學(xué)報(理學(xué)版). 2015(02)
[7]自然語言理解在Web數(shù)據(jù)挖掘中的應(yīng)用[J]. 蔡霞,張森.  計算機(jī)工程與設(shè)計. 2003(11)

博士論文
[1]樸素貝葉斯分類器及其改進(jìn)算法研究[D]. 蔣良孝.中國地質(zhì)大學(xué) 2009

碩士論文
[1]針對文本情感分類的特征生成方法研究[D]. 周哲.南京大學(xué) 2016
[2]基于雪球網(wǎng)的股市波動數(shù)據(jù)分析與預(yù)測[D]. 王迪.北京郵電大學(xué) 2017
[3]基于領(lǐng)域特殊性和統(tǒng)計語言知識的新詞抽取方法[D]. 梅莉莉.北京理工大學(xué) 2016
[4]基于微博輿情的股票高頻交易分析技術(shù)研究與實現(xiàn)[D]. 陳亮.復(fù)旦大學(xué) 2014



本文編號：2903679