對于在深圳證券交易所上市的公司,通過分析和挖掘其季度報表或者相關(guān)交易網(wǎng)站中的數(shù)據(jù),提取到排名預(yù)測任務(wù)中相關(guān)的數(shù)據(jù)特征以及通過爬蟲獲得的文本特征,成功構(gòu)建了公司每股收益預(yù)測排名的模型,實現(xiàn)了對股價收益排名的合理預(yù)測.實驗結(jié)果表明,我們的提出的模型能夠有效的提高股價排名預(yù)測任務(wù)的性能,其中SPRP-Random Forests模型在NDCG@10評價指標中可以達到0. 9583.在為股民選擇股票,公司經(jīng)營模式調(diào)整等方面具有一定的實用價值. 

【文章來源】：小型微型計算機系統(tǒng). 2020,41(01)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

面向股價排名預(yù)測的排序?qū)W習(xí)模型

除去以上因素，考慮到公司的運營狀況也受到非系統(tǒng)性因素的影響，譬如說企業(yè)的新聞報導(dǎo)就會極大程度的影響公司的運營，負面新聞過多勢必會給企業(yè)帶來消極影響，從而影響公司的股票價格．企業(yè)員工對公司的評價也是一項影響公司股價的重要指標，風(fēng)評較好的企業(yè)勢必擁有著良好的企業(yè)文化和經(jīng)營方向，這樣的企業(yè)便擁有良好的發(fā)展前景．所以實驗中便又提取了員工評價和企業(yè)新聞作為文本特征，其中員工評價主要來自于看準網(wǎng)的公司評價，我們對實驗中公司評價進行爬取，對評級為1到2星的公司標簽置為-1,3星置為0,4到5星置為1．企業(yè)新聞主要是對指定時間內(nèi)的公司的新聞進行爬取，并利用詞語極性字典對新聞中的詞頻進行統(tǒng)計，其中消極詞頻大于積極詞頻我們將標簽置為-1，消極詞頻小于積極詞頻我們將標簽置為1，否則為0．實驗特征具體如圖2所示．3.1.3 數(shù)據(jù)預(yù)處理

為了更加充分和系統(tǒng)地對股價收益排名任務(wù)進行研究，本文首次將排序?qū)W習(xí)方法和股價收益排名任務(wù)相結(jié)合，并構(gòu)建了SPRP模型．排序?qū)W習(xí)在信息檢索領(lǐng)域[8]已經(jīng)有著非常成熟的研究，并延伸到多個熱門領(lǐng)域，憑借著機器學(xué)習(xí)手段不斷地提高排序結(jié)果．為了使SPRP模型與股價收益預(yù)測任務(wù)充分契合，我們構(gòu)建了兩個領(lǐng)域的概映射關(guān)系，如圖3所示．實驗中以季度作為時間點，并以行業(yè)類別對公司進行了劃分，用每個季度對應(yīng)信息檢索領(lǐng)域的查詢(query)，某個行業(yè)的某個季度的公司股價收益排行與查詢結(jié)果的相關(guān)文檔集合(document set)相對應(yīng)，某季度內(nèi)特定行業(yè)的公司股價收益排名與文檔相關(guān)等級(relevant level)相對應(yīng)．通過映射預(yù)測公司股價收益排名便轉(zhuǎn)化為成功檢索出來的相關(guān)文檔在文檔集合中的排序問題．

【參考文獻】：
期刊論文
[1]皮爾森優(yōu)化結(jié)合Xgboost算法的股價預(yù)測研究[J]. 陳宇韶,唐振軍,羅揚,楊潔.  信息技術(shù). 2018(09)
[2]一種魯棒性增強的LambdaMART算法[J]. 李金忠,劉關(guān)俊.  小型微型計算機系統(tǒng). 2017(05)



本文編號：2999006