Miner for Stock Market Analysis股票市场分析

基于Twitter数据的情感分析预测股市走势

Sentiment Analysis of Twitter Data for Predicting Stock Market Movements

预测股票市场走势是一个众所周知的有趣问题。如今的社交媒体完美地代表了公众对当前事件的情绪和看法。特别是twitter在研究公众情绪方面吸引了众多研究者的关注。根据公众在twitter上表达的情绪来预测股市一直是一个有趣的研究领域。先前的研究已经得出结论，从Twitter收集的公众情绪很可能与道琼斯工业平均指数（DJIA）相关。这项工作的论文是观察一家公司的股票价格的变化，上涨和下跌，与公众对该公司的推文中表达的意见有多相关。情感分析的目的是从文本中理解作者的观点。本文采用Word 2 vec和N-gram两种不同的文本表示方法来分析推文中的公众情绪。在本文中，我们应用情感分析和监督机器学习原则，从twitter上提取的推文，并分析了一家公司的股票市场走势和推文中的情感之间的相关性。在一个精心设计的方式，积极的新闻和社交媒体上关于一家公司的推文肯定会鼓励人们投资该公司的股票，因此该公司的股价会上涨。文章最后指出，股票价格的涨跌与推文中的公众情绪之间存在很强的相关性。

Cross-Domain Shopping and Stock Trend Analysis

This paper presents a cross-domain trend analysis that aims to identify and analyze the relationships between stock prices, stock news on Twitter, and users' behaviors on e-commerce websites. The analysis is based on three datasets: a US stock dataset, a stock tweets dataset, and an e-commerce behavior dataset. The analysis is performed using Hadoop, Hive, and Tableau, allowing for efficient and scalable processing and visualizing large datasets. The analysis includes trend analysis of Twitter sentiment (positive and negative tweets) and correlation analysis, including the correlation between …

Twitter情感分析

Twitter Sentiment Analysis

这个项目解决了twitter中的情感分析问题;也就是根据其中表达的情感对tweet进行分类：积极的，消极的或中性的。Twitter是一个在线微博和社交网络平台，允许用户编写最长140个字符的简短状态更新。这是一个迅速扩大的服务，拥有超过2亿注册用户-其中1亿是活跃用户，其中一半每天登录twitter-每天产生近2.5亿条推文。由于大量的使用，我们希望通过分析推文中表达的情绪来反映公众情绪。分析公众情绪对于许多应用都很重要，例如公司试图找出他们的产品在市场上的反应，预测政治选举和预测股票交易等社会经济现象。该项目的目的是开发一个功能分类器，用于对未知的推文流进行准确和自动的情感分类。

用于检测金融推特消息中机遇与风险的定向方面级情感分析

Targeted aspect-based emotion analysis to detect opportunities and precaution in financial Twitter messages

针对金融推特中资产机遇与风险预测的识别需求，提出基于NLP和机器学习流算法的TABEA系统，可分资产识别情感，在标注数据集上目标情感准确率超90%，填补了相关研究空白。

FEUP在SemEval-2017的任务5：用金融词嵌入预测情绪极性和强度

FEUP at SemEval-2017 Task 5: Predicting Sentiment Polarity and Intensity with Financial Word Embeddings

本文介绍了波尔图大学工程学院开发的方法，参加SemEval 2017，任务5：金融微博和新闻的细粒度情感分析。该任务包括预测一个从-1.0到+1.0的实际连续变量，代表对短文本中提到的公司/股票的情绪的极性和强度。我们将任务建模为回归分析问题，并将传统技术（如预处理短文本，词袋表示和基于词汇的特征）与增强的金融特定嵌入袋相结合。我们使用了一个外部集合的推文和新闻标题，提到公司/股票从标准普尔500创建金融词嵌入，能够捕捉特定领域的句法和语义相似性。在子任务5.1 -微博和子任务5.2 -新闻标题中，所得到的余弦相似度得分分别为0.69和0.68。

Towards real-time population estimates: introducing Twitter daily estimates of residents and non-residents at the county level

The study of migrations and mobility has historically been severely limited by the absence of reliable data or the temporal sparsity of the available data. Using geospatial digital trace data, the study of population movements can be much more precisely and dynamically measured. Our research seeks to develop a near real-time (one-day lag) Twitter census that gives a more temporally granular picture of local and non-local population at the county level. Leveraging geotagged tweets to determine the home location of all active Twitter users, we contribute to the field of digital and computational…