隨著人們生活水平的不斷提高,越來(lái)越多的人開(kāi)始注重資金管理。由于股票投資具有易操作、收益成效快和流動(dòng)性強(qiáng)的特點(diǎn),因此吸引著越來(lái)越多的人選擇股票市場(chǎng)作為自己的投資對(duì)象來(lái)實(shí)現(xiàn)財(cái)富的保值和增值。在這個(gè)快速更新的網(wǎng)絡(luò)信息共享和交流的時(shí)代,股票投資者們也更加傾向于通過(guò)網(wǎng)絡(luò)平臺(tái)上的金融信息及各大媒體資深評(píng)論員的投資觀點(diǎn)來(lái)了解金融領(lǐng)域的實(shí)時(shí)資訊,隨著信息獲取平臺(tái)的不斷增多,關(guān)注人員的不斷壯大,導(dǎo)致這些網(wǎng)絡(luò)平臺(tái)上擁有著豐富的金融熱點(diǎn)信息、重要指標(biāo)數(shù)據(jù)以及附有股民情感傾向發(fā)表的言論信息。這些富含感情色彩的股民言論信息,以及含有國(guó)家經(jīng)濟(jì)政策的新聞資訊,都在一定程度上影響著股票指數(shù)的未來(lái)走勢(shì)。因此,融合情感分析的股票指數(shù)預(yù)測(cè)的研究具有重要的研究?jī)r(jià)值。本文為了提高股指預(yù)測(cè)結(jié)果的準(zhǔn)確性,在原本選用單一的股票技術(shù)指標(biāo)作為影響股指波動(dòng)的特征因素的前提下,融入股市資訊文本信息的情感分析結(jié)果。在數(shù)據(jù)選擇上,收集不同來(lái)源的股民言論信息數(shù)據(jù)和財(cái)經(jīng)新聞信息數(shù)據(jù)作為股市資訊文本情感分析的數(shù)據(jù)基礎(chǔ),來(lái)提高情感分析結(jié)果的有效性。在特征提取方法上,選用善于處理短文本數(shù)據(jù)的SVM方法和適用于處理長(zhǎng)文本數(shù)據(jù)的LSTM方法對(duì)收集的含有不同種... 

【文章來(lái)源】：長(zhǎng)春工業(yè)大學(xué)吉林省

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1支持向量機(jī)分類圖

第2章課題研究的理論與方法14題。LSTM神經(jīng)網(wǎng)絡(luò)通過(guò)控制門（輸入門ti、遺忘門tf、輸出門to）來(lái)調(diào)節(jié)之前信息與當(dāng)前信息的記憶和遺忘程度，將短期記憶與長(zhǎng)期記憶結(jié)合起來(lái)，使循環(huán)神經(jīng)網(wǎng)絡(luò)具備了長(zhǎng)期記憶的能力，并且一定程度上解決了梯度消失的問(wèn)題。因此，本文采用LSTM方法對(duì)技術(shù)指標(biāo)數(shù)據(jù)進(jìn)行特征提取，其工作過(guò)程可以表述為：首先，LSTM中的遺忘門對(duì)信息進(jìn)行過(guò)濾，忘記無(wú)用信息，計(jì)算公式如2-11所示：)(1ttttftfxbhVW（2-11）然后，輸入門根據(jù)輸入的信息和記憶信息進(jìn)行狀態(tài)的更新：輸入信息計(jì)算公式如2-12所示：)(1itititixbhVW（2-12）記憶細(xì)胞計(jì)算公式如2-13所示：)tanh(1ctctctcxbhVW（2-13）長(zhǎng)時(shí)記憶計(jì)算公式如2-14所示：1ctttttcfci（2-14）最后，輸出門輸出當(dāng)前信息計(jì)算公式如2-15和2-16所示：)(1otototoxbhVW（2-15）)tanh(*tttcoh（2-16）其中tx代表t時(shí)刻的輸入矢量，1ht代表t時(shí)刻前LSTM輸出的矢量，也就是短記憶信息。tc代表t時(shí)刻下的長(zhǎng)時(shí)記憶信息，為sigmoid激活函數(shù)，W和V代表權(quán)重矩陣，b代表偏置向量。LSTM記憶細(xì)胞結(jié)構(gòu)如圖2.4所示。圖2.4LSTM記憶細(xì)胞結(jié)構(gòu)圖

第4章股指預(yù)測(cè)模型的實(shí)驗(yàn)與結(jié)果分析27月7日所需的上證綜指的技術(shù)指標(biāo)數(shù)據(jù)，其中技術(shù)指標(biāo)包括開(kāi)盤價(jià)、收盤價(jià)、漲跌幅、成交量、MACD、KDJ、RSI、ROC。收集的股票技術(shù)指標(biāo)數(shù)據(jù)的部分內(nèi)容如圖4.1所示，其中圖4.2為收集的上證綜指股指數(shù)據(jù)中成交量走勢(shì)圖。圖4.1上證綜指技術(shù)指標(biāo)數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]中國(guó)互聯(lián)網(wǎng)普及率突破60%[J]. 本刊編輯部.  河南科技. 2019(25)
[2]投資者情緒和資產(chǎn)定價(jià)異象[J]. 史永東,程航.  系統(tǒng)工程理論與實(shí)踐. 2019(08)
[3]基于正則化LSTM模型的股票指數(shù)預(yù)測(cè)[J]. 任君,王建華,王傳美,王建祥.  計(jì)算機(jī)應(yīng)用與軟件. 2018(04)
[4]文本情緒分析綜述[J]. 李然,林政,林海倫,王偉平,孟丹.  計(jì)算機(jī)研究與發(fā)展. 2018(01)
[5]基于股民評(píng)論信息的股票預(yù)測(cè)方法研究[J]. 張凱,任維平,張仰森,尤建清.  北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[6]基于文本信息的股票指數(shù)預(yù)測(cè)[J]. 董理,王中卿,熊德意.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[7]BP神經(jīng)網(wǎng)絡(luò)在股指預(yù)測(cè)中的應(yīng)用[J]. 尹紹飛,蘇勇.  科學(xué)技術(shù)與工程. 2009(24)
[8]精確在線支持向量回歸在股指預(yù)測(cè)中的應(yīng)用[J]. 田翔,鄧飛其.  計(jì)算機(jī)工程. 2005(22)

博士論文
[1]基于特征選擇的文本分類方法研究[D]. 胡小娟.吉林大學(xué) 2018
[2]一種金融市場(chǎng)預(yù)測(cè)的深度學(xué)習(xí)模型：FEPA模型[D]. 張承釗.電子科技大學(xué) 2016
[3]中國(guó)股票市場(chǎng)與宏觀經(jīng)濟(jì)相關(guān)性研究[D]. 張培源.中共中央黨校 2013
[4]基于行為金融學(xué)的股票市場(chǎng)投資者行為研究[D]. 李靜.中國(guó)社會(huì)科學(xué)院研究生院 2012
[5]基于投資者情緒的行為資產(chǎn)定價(jià)研究[D]. 閆偉.華南理工大學(xué) 2012
[6]中國(guó)股票市場(chǎng)波動(dòng)成因研究[D]. 溫思凱.西南財(cái)經(jīng)大學(xué) 2010

碩士論文
[1]基于組合模型的股指預(yù)測(cè)[D]. 劉珍秀.青島大學(xué) 2019
[2]基于LSTM和投資者情緒的股票行情預(yù)測(cè)研究[D]. 周凌寒.華中師范大學(xué) 2018
[3]基于word2vec詞向量的文本分類研究[D]. 朱磊.西南大學(xué) 2017
[4]基于支持向量機(jī)的中文文本分類研究[D]. 楊孟英.華北電力大學(xué) 2017
[5]基于情感分析的股指預(yù)測(cè)技術(shù)的研究與實(shí)現(xiàn)[D]. 郭卿.國(guó)防科學(xué)技術(shù)大學(xué) 2016
[6]基于深度學(xué)習(xí)理論與方法的中文專利文本自動(dòng)分類研究[D]. 馬雙剛.江蘇大學(xué) 2016
[7]基于詞向量的文本分類算法研究與改進(jìn)[D]. 王明亞.華東師范大學(xué) 2016
[8]基于雙向LSTMN神經(jīng)網(wǎng)絡(luò)的中文分詞研究分析[D]. 黃積楊.南京大學(xué) 2016
[9]基于組合模型的股指預(yù)測(cè)[D]. 方孟孟.蘭州大學(xué) 2016
[10]基于文本情感分析的股價(jià)預(yù)測(cè)研究與實(shí)現(xiàn)[D]. 戴成駿.重慶大學(xué) 2016



本文編號(hào)：2916810