首页/论文/1307.4643

arXiv 1307.46432013-07q-fin.ST

预测金融市场与谷歌趋势和不那么随机的关键字

Predicting financial markets with Google Trends and not so random keywords

Damien Challet, Ahmed Bel Hadj Ayed

备注：: 8 pages, 4 figures. First names and last names swapped

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们检查了Google趋势数据包含足够数据来预测未来金融指数回报的说法。我们首先讨论许多微妙的（和不那么微妙的）偏见，可能会影响回测的交易策略，特别是当基于这样的数据。不出所料，关键词的选择是至关重要的：通过使用行业级的回测系统，我们验证了随机金融相关的关键词不包含更多的可利用的预测信息比随机关键词相关的疾病，老爷车和街机游戏。然而，我们发现，在合适的资产上应用其他关键词会产生稳健的盈利策略，从而证实了Preis等人的直觉。

英文摘要：

We check the claims that data from Google Trends contain enough data to predict future financial index returns. We first discuss the many subtle (and less subtle) biases that may affect the backtest of a trading strategy, particularly when based on such data. Expectedly, the choice of keywords is crucial: by using an industry-grade backtesting system, we verify that random finance-related keywords do not to contain more exploitable predictive information than random keywords related to illnesses, classic cars and arcade games. We however show that other keywords applied on suitable assets yield robustly profitable strategies, thereby confirming the intuition of Preis et al. (2013)

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

COVID-19疫情期间的公众关注和金融市场

Public Concern and the Financial Markets during the COVID-19 outbreak

我们使用来自Google Trends的三个数据源（YouTube、Google News和Google Search）来衡量COVID-19疫情期间的公众关注度。我们的发现有三个方面。首先，意大利公众的关注被认为是其他国家关注的驱动力。其次，我们证明了意大利的谷歌趋势数据更好地解释了法国，德国，英国，美国和西班牙的股票指数回报率。最后，我们进行了随时间变化的分析，并确定在意大利封锁过程的每一步发生在金融市场的最严重的影响。

2020-05-14q-fin.GNq-fin.ST

Google趋势搜索查询是否有助于风险分散？

Can Google Trends search queries contribute to risk diversification?

投资组合多元化和积极的风险管理是金融分析的重要组成部分，在全球金融危机期间和之后变得更加重要（并受到质疑）。我们提出了一种新的方法来投资组合多样化，使用谷歌趋势上的搜索项的信息。多样化是基于这样一个想法，即通过搜索查询衡量的股票受欢迎程度与股票风险相关。我们通过给热门股票分配较低的投资组合权重来惩罚它们，并将不太受欢迎的股票或外围股票提前，以降低投资组合的总风险。我们的研究结果表明，这种策略优于基准指数和均匀加权的投资组合样本内和样本外。

2013-10-05q-fin.PMq-fin.ST

预测金融市场：比较调查，新闻，Twitter和搜索引擎数据

Predicting Financial Markets: Comparing Survey, News, Twitter and Search Engine Data

基于在线情绪跟踪的金融市场预测最近引起了很多关注。然而，这个新兴领域的大多数结果都依赖于数据集和情感跟踪工具的独特组合。这使得很难将测量和工具效应与实际参与在线情绪和市场价值之间明显关系的因素区分开来。在本文中，我们调查了一系列在线数据集，（Twitter提要、新闻标题和Google搜索查询量）和情绪跟踪方法（Twitter投资者情绪、负面新闻情绪和Twitter &谷歌搜索量的金融术语），并比较它们对市场指数（如道琼斯工业平均指数、交易量和市场波动率（VIX））的财务预测价值，以及黄金价格。我们还比较了传统投资者情绪调查数据（即投资者情报和每日情绪指数）与上述在线情绪指标的预测能力。我们的研究结果表明，传统的投资者情报调查是金融市场的滞后指标。然而，每周的Google Insight搜索量对金融搜索查询确实具有预测价值。Twitter投资者情绪的指标和前1-2天在Twitter上出现金融术语的频率也被发现是每日市场日志回报的统计显著预测因素。然而，一旦我们控制了所有其他情绪指标以及波动率指数，我们发现调查情绪指标并不是金融市场价值的统计学显著预测因素。

2011-12-05cs.CEphysics.soc-phq-fin.ST

制裁还是金融危机？基于人工神经网络的石油价格波动对股票和行业指数影响的建模方法

Sanction or Financial Crisis? An Artificial Neural Network-Based Approach to model the impact of oil price volatility on Stock and industry indices

在本文中，我们模拟了国际制裁和制裁后两个时期的油价波动对德黑兰股票指数和工业指数的影响。为了分析研究的目的，我们使用了前馈神经网络。研究时间为2008年至2018年，分为国际能源制裁期间和制裁后两个时期。研究结果表明，前向神经网络对股票市场和行业指数的预测效果较好，说明油价波动对股票和行业指数有显著影响。在制裁后和全球金融危机期间，该模型对行业指数的预测效果较好。此外，油价-股票市场指数预测在国际制裁期间表现较好。这些结果对于金融市场分析师和政策制定者了解哪些因素以及何时影响金融市场具有一定的参考价值，特别是对于伊朗这样一个石油依赖型国家，在国际政治不确定的情况下。关键词：前馈神经网络，工业指数，国际能源制裁，油价波动，德黑兰股票指数

2020-09-11q-fin.CPq-fin.ST

金融相关谷歌搜索的幂律相关性及其与波动性和交易量的交叉相关性：来自道琼斯工业指数的证据

Power-law correlations in finance-related Google searches, and their cross-correlations with volatility and traded volume: Evidence from the Dow Jones Industrial components

我们研究了道琼斯工业平均指数（DJIA）成分股的谷歌搜索查询的幂律相关特性。检查的每日数据的搜索条款与组合的重新缩放的范围和重新缩放的方差检验与去趋势波动分析，我们发现，搜索实际上是幂律相关的赫斯特指数在0.8和1.1之间。因此，对道琼斯工业平均指数股票的普遍兴趣是强烈持久的。我们进一步重新研究的交叉相关结构的搜索，交易量和波动性的成分股票使用去趋势交叉相关和去趋势移动平均交叉相关系数。与相关Google搜索的普遍幂律相关性结构相反，结果表明在线搜索查询和分析的财务指标之间没有普遍的关系。尽管我们确认了大多数配对的正相关性，但也有几对配对的相关性不显著，甚至是负相关。此外，不同尺度之间的相关性差异很大。

2015-02-01physics.data-anq-fin.GNq-fin.ST

基于BERT的金融情绪指数与基于LSTM的股票收益可预测性

BERT-based Financial Sentiment Index and LSTM-based Stock Return Predictability

传统的金融情感构建严重依赖于基于字典的方法，除了少数例外，使用简单的机器学习技术，如朴素贝叶斯分类器。鉴于自然语言处理技术的快速发展，本研究采用Google开发的预训练模型BERT构建了一个基于文本的情绪指数，特别是针对香港市场上三只交易活跃的个股，同时又是微博上的热门话题。一方面，我们证明了一个显着的增强应用BERT在金融情绪分析相比，现有的模型。另一方面，通过结合金融文献中构建情绪指数时常用的另外两种方法，期权隐含方法和市场隐含方法，我们提出了一个更一般和全面的金融情绪分析框架，并通过结合LSTM（具有非线性映射的特征）进一步为个股收益的可预测性提供令人信服的结果。这与情绪影响分析中的主流计量经济学方法都具有线性回归的性质有着显著的区别。

2022-07-07q-fin.GNq-fin.ST

更多相关论文收起更多论文

对疫情的焦虑和对金融市场的信任

Anxiety for the pandemic and trust in financial markets

COVID-19大流行在许多领域产生了颠覆性变化。在此，我们重点关注疫情期间人们感受到的焦虑与对金融市场未来表现的信任之间的关系。准确地说，我们的出发点是，谷歌对“冠状病毒”的搜索量可以被视为焦虑的代表，与股票指数价格一起，可以用来在国家一级产生悲观和乐观情绪指标。我们根据人类发展指数加上中国及其各自的主要股票市场指数来分析“人类高度发达国家”。也就是说，我们提出了一个时间和全球的悲观和乐观的措施，并提供相应的分类指数和国家。结果表明，存在不同的集群的国家和市场的悲观和乐观。此外，随着时间的推移，出现了特定的制度，在2020年6月中旬，乐观情绪不断蔓延。此外，政府对疫情的反应不同的国家经历了不同程度的情绪指标，因此封锁不太严格的国家有更高的乐观水平。

2020-08-01econ.GNq-fin.ECq-fin.ST

基于自编码器-CNN-GANs算法的加密货币交易策略开发

Developing Cryptocurrency Trading Strategy Based on Autoencoder-CNN-GANs Algorithms

Marvellous Creature Inc（Marvellous Creature 公司）；UIUC（伊利诺伊大学厄巴纳-香槟分校）；University of Pennsylvania（宾夕法尼亚大学）；Texas A&M University（德克萨斯A&M大学）

本文提出一种结合去噪自编码器、一维CNN和GANs的加密货币交易策略，通过过滤降噪、特征提取与生成对抗建模，预测大幅价格波动的可能性和方向，实证验证了机器学习在金融序列模式发现中的有效性。

2025-07-21cs.LGq-fin.ST

“The Squawk Bot”：时间序列和文本数据模态的联合学习，用于自动金融信息过滤

"The Squawk Bot": Joint Learning of Time Series and Text Data Modalities for Automated Financial Information Filtering

IBM Research（IBM研究院）

使用数值时间序列和文本语料库作为输入数据源的多模态分析正在成为一种有前途的方法，特别是在金融行业。然而，这种分析的主要重点是实现高预测精度，而很少的努力已经花在理解两种数据模式之间的关联的重要任务。因此，尽管人类可以理解的文本信息是可用的，但对时间序列的性能几乎没有解释。在这项工作中，我们解决的问题，给定一个数字的时间序列，和一个一般的语料库的文本故事收集在同一时期的时间序列，任务是及时发现一组简洁的文本故事与该时间序列。为了实现这一目标，我们提出了一种称为MSIN的新型多模态神经模型，该模型联合学习数值时间序列和分类文本文章，以挖掘它们之间的关联。通过两种数据模式之间的多个数据相关步骤，MSIN学会关注与时间序列中的性能最匹配的文本文章的一小部分。这个简洁的集合被及时发现并作为推荐文档呈现，作为给定时间序列的自动信息过滤。我们实证评估了我们的模型在发现来自苹果和谷歌公司的两个股票时间序列的相关新闻文章方面的表现，以及连续七年从汤森路透收集的每日新闻文章。实验结果表明，MSIN在两个检查时间序列中分别达到84.9%和87.2%的地面真相文章召回率，远远优于依赖于深度学习中传统注意力机制的最先进算法。

2019-12-20cs.CLcs.LGq-fin.ST