Hybrid News Sentiment Engine: Real-Time Market Analysis via Adaptive Ensemble Learning on News-Price Pairs
提出一种无需神经网络训练的混合新闻情绪引擎,通过自适应集成学习(金融词典、TF-IDF聚类学习器和自动校准加权机制)从新闻标题与资产价格快照中实时学习市场情绪,实现低延迟、零边际成本的市场分析。
2026-06-02 q-fin.CP q-fin.ST
HiSA-SMFM: Historical and Sentiment Analysis based Stock Market Forecasting Model
Cloud Computing Research Center(云计算研究中心);National Sun Yat-sen University(国立中山大学);National Institute of Technology(国家理工学院)
建立一个国家经济的支柱之一是股票市场。多年来,人们投资于股票市场,从他们拥有的资金中赚取尽可能多的利润。因此,有一个能够准确预测未来股票价格的预测模型至关重要。在机器学习的帮助下,这不是一项不可能的任务,因为如果正确建模,各种机器学习技术可能能够提供最佳预测值。这将使投资者能够决定是否购买,出售或持有股票。本文的目的是预测未来的金融股票的公司与提高准确性。在本文中,我们提出了使用历史数据和情绪数据,通过应用LSTM来有效地预测股票价格。通过分析情绪分析领域的现有研究发现,股票价格的变动与新闻文章的发布之间存在很强的相关性。因此,在本文中,我们综合了这些因素,以更准确地预测股票价格。
2022-03-10 cs.AI cs.LG q-fin.ST
Potential of ChatGPT in predicting stock market trends based on Twitter Sentiment Analysis
本研究探究ChatGPT能否通过Twitter情感分析预测微软、谷歌股价,发现其评估与两家公司后续股价呈正相关,丰富了对ChatGPT适应性的认知并凸显AI在金融预测的重要性。
2026-08-19 cs.AI cs.CL q-fin.ST
A Hybrid Deep Learning Framework for Stock Price Prediction Considering the Investor Sentiment of Online Forum Enhanced by Popularity
Central South University(中南大学)
本文提出一种结合在线论坛投资者情绪与流行度因素的混合深度学习框架,用于提升股票价格预测的准确性。
2024-05-17 cs.CL cs.LG q-fin.ST
Does the time horizon of the return predictive effect of investor sentiment vary with stock characteristics? A Granger causality analysis in the frequency domain
行为理论认为投资者情绪对股票收益具有预测能力,但很少有研究探讨投资者情绪预测效应的时间范围与公司特征之间的关系。为此,本文通过使用Lemmens等人(2008)提出的频域Granger因果分析,研究投资者情绪对美国股票收益率的预测作用的时间范围是否随不同的公司特征(例如,公司规模(Size)、账面市值比(B/M)、运营盈利能力(OP)和投资(Inv))。实证结果表明,投资者情绪对不同公司特征的股票收益具有长期(超过12个月)或短期(少于12个月)的预测作用。具体而言,投资者情绪对小市值股票、低B/M股票和低OP股票的短期和长期收益具有较强的可预测性,但对高分位数股票的短期可预测性较强。投资者情绪仅对小投资者股票的短期收益具有可预测性,而对大投资者股票的短期和长期收益具有较强的可预测性。这些结果对投资者制定短期和长期股票投资策略具有重要的指导意义。
2018-03-08 econ.EM q-fin.ST
Sentiment Analysis of State Bank of Pakistan's Monetary Policy Documents and its Impact on Stock Market
本文通过情感分析与高频短窗口方法研究巴基斯坦国家银行货币政策沟通对股市的影响,发现其语气变化会显著影响卡拉奇证券交易所股票回报,但该影响不具长期恒定性。
2024-07-19 q-fin.ST
Tehran Stock Exchange Prediction Using Sentiment Analysis of Online Textual Opinions
Shahid Beheshti University(沙希德·贝赫什提大学)
在本文中,我们首次研究了社交媒体数据在预测德黑兰证券交易所(TSE)变量方面的影响。我们考虑了三种不同股票的收盘价和日收益率。我们从Sahamyab.com/stocktwits收集了大约三个月的社交媒体数据。为了从在线评论中提取信息,我们提出了一种混合的情感分析方法,结合了基于词典和基于学习的方法。由于波斯语的词汇是不实用的情绪分析在股票市场域,我们建立了一个特定的情绪词汇,这个域。在使用评论的情绪设计和计算每日情绪指数后,我们研究了它们对仅使用历史市场数据的基线模型的影响,并使用多元回归分析提出了新的预测模型。除了情感,我们还考察了评论量和用户的可靠性。我们的结论是,在东京证交所的各种股票的可预测性是不同的,这取决于他们的属性。此外,我们指出,对于预测收盘价只有评论量和预测每日回报的数量和情绪的评论可能是有用的。我们证明了用户的信任系数对三种股票有不同的行为。
2019-09-27 cs.CL cs.LG q-fin.ST
A Modified Levy Jump-Diffusion Model Based on Market Sentiment Memory for Online Jump Prediction
在本文中,我们提出了一个改进的Levy跳跃扩散模型与市场情绪记忆的股票价格,其中市场情绪来自数据挖掘实现使用Twitter上的推文。我们把具有记忆性的市场情绪过程作为股价中Levy跳的信号。然后,提出了一种在线学习和优化算法与Unscented卡尔曼滤波器(UKF)的学习记忆和预测可能的价格跳跃。实验表明,该算法在识别资产收益趋势方面具有较好的性能.
2017-09-11 cs.CE q-fin.ST
Effects of Daily News Sentiment on Stock Price Forecasting
Tiger Analytics(泰格分析公司);Genpact(简柏特公司);PWC(普华永道);Techno India University(印度理工大学);Praxis Business School(普拉克西斯商学院)
本文构建约3.7年、近50万篇新闻的NIFTY50新闻数据库,结合价格与多来源情绪分数训练LSTM,比较加入新闻情绪特征对股价预测性能的影响。
2023-08-02 cs.LG q-fin.ST
SARF: Enhancing Stock Market Prediction with Sentiment-Augmented Random Forest
British Columbia Institute of Technology(不列颠哥伦比亚理工学院);University of Zagreb(萨格勒布大学)
本研究提出情感增强随机森林模型SARF,将FinGPT大模型的情感分析特征融入传统随机森林,用于股市趋势预测,相比传统模型准确率平均提升9.23%。
2024-09-22 cs.LG q-fin.ST
Multiclass Sentiment Prediction for Stock Trading
George Washington University(乔治华盛顿大学)
Python用于下载和格式化与400个公开交易的低市值相关的NewsAPI文章数据。生物技术公司。众包被用来标记这些数据的一个子集,然后训练和评估各种模型,以分类每个公司的公众情绪。然后,表现最好的模型被用来表明,完全脱离公众情绪的交易可以提供优于市场的回报。
2022-09-28 cs.LG q-fin.ST
Tweet Influence on Market Trends: Analyzing the Impact of Social Media Sentiment on Biotech Stocks
本研究利用VADER情绪分析及ARIMA和VAR模型,探讨推文情绪对生物科技股票市场表现的影响,发现社交媒体情绪与股价存在复杂关联,为预测模型改进提供基础。
2024-01-26 cs.LG cs.NA math.FA
Investor Sentiment and Market Movements: A Granger Causality Perspective
Amity University Kolkata(加尔各答阿米提大学)
本研究运用格兰杰因果检验,探究投资者情绪与股市收盘价变动间的因果关系,发现情绪变化先于价格变动且呈正向响应。
2025-09-27 q-fin.ST
Contrasting the efficiency of stock price prediction models using various types of LSTM models aided with sentiment analysis
SRM Institute OF Science And Technology(SRM科学技术学院)
该研究围绕短期与长期股价预测,探索如何结合公司预测、行业表现及公司状况来选择最优预测模型。
2023-07-15 cs.LG q-fin.ST
Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis
University of Technology, Baghdad, Iraq(巴格达大学)
提出一种将节点Transformer与BERT情感分析相结合的框架,通过图结构建模股票间依赖关系并融合社交媒体情感,在S&P 500股票上实现0.80%的MAPE,显著优于传统方法。
2026-05-14 cs.AI cs.LG q-fin.ST
A sentiment-based modeling and analysis of stock price during the COVID-19: U- and Swoosh-shaped recovery
最近,A. Mahata等人[Physica A,574,126008(2021)],以了解COVID-19对股票市场的影响。它描述了股票和指数的V形和L形复苏,但未能模拟由于急剧危机和长期下跌而出现的U形和Swoosh形复苏,随后是快速复苏(U形)或较长时间的缓慢复苏(Swoosh形复苏)。我们提出了一个改进的模型,通过引入一个新的变量$θ$,量化的情绪的投资者。$θ=+1,~0,~-1$分别用于积极、中性和消极情绪。该模型解释了行业指数的运动,正$ϕ$显示U型和Swoosh型复苏。使用不同冲击长度($T_S$)、$ϕ$、负面情绪期($T_N$)和恢复期部分资金流($λ$)的合成资金流($Ψ_{st}$)进行模拟,显示出U型和Swoosh型恢复。结果表明,用扩展的$T_S$和$T_N$,$ϕ$为正的指数的恢复变得很弱。具有较高$ϕ$和$λ$的股票迅速恢复。Nifty Bank、Nifty Financial和Nifty Realty的模拟显示出U型复苏,Nifty IT显示出Swoosh型复苏。仿真结果与真实股价走势基本一致。COVID-19期间这些指数的冲击和恢复的时间尺度($τ$)与COVID-19爆发以来负面情绪变化的持续时间一致。本文的研究可以帮助投资者在不同的危机中进行投资规划。
2021-10-08 q-fin.ST
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。
2022-07-07 q-fin.GN q-fin.ST
Text Mining of Stocktwits Data for Predicting Stock Prices
The University of Sydney(悉尼大学)
股票价格预测可以通过考虑价格波动和了解人们的情绪来提高效率。有限数量的模型理解金融术语或标记了有关股票价格变化的数据集。为了克服这一挑战,我们引入了FinALBERT,这是一个基于ALBERT的模型,通过根据股票价格变化标记Stocktwits文本数据来处理金融领域文本分类任务。我们为25家不同的公司收集了超过10年的Stocktwits数据,包括五大FAANG(Facebook,亚马逊,苹果,Netflix,谷歌)。这些数据集被标记为基于股票价格变化的三种标记技术。我们提出的模型FinALBERT使用这些标签进行微调,以实现最佳结果。我们通过在传统机器学习、BERT和FinBERT模型上训练标记数据集来进行实验,这有助于我们理解这些标签在不同模型架构下的表现。我们的标记方法的竞争优势在于它可以帮助有效地分析历史数据,并且可以轻松定制数学函数来预测股票走势。
2021-03-13 cs.LG q-fin.ST
Stock Price Prediction using Sentiment Analysis and Deep Learning for Indian Markets
Northwestern University(西北大学);Great Learning
股票市场预测一直是一个活跃的研究领域。计算的到来,其次是机器学习,提升了研究的速度,并开辟了新的途径。作为这项研究的一部分,我们的目标是利用历史价格以及情绪数据的可用性来预测股票的未来走势。两个模型被用作练习的一部分,LSTM是第一个以历史价格为自变量的模型。使用强度分析器捕获的情绪分析被用作第二部分使用的随机森林模型的主要参数,一些宏观参数,如黄金,油价,美元汇率和印度政府证券收益率也被添加到模型中,以提高模型的准确性。作为最终产品,使用上述两个模型预测了Reliance、HDFC Bank、TCS和SBI 4只股票的价格。使用RMSE度量评估结果。
2022-04-07 cs.LG q-fin.ST
Unveiling the Potential of Sentiment: Can Large Language Models Predict Chinese Stock Price Movements?
International Digital Economy Academy (IDEA)(国际数字经济学院(IDEA));The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Data Science and Analytics Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)数据科学与分析学域);Financial Technology Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)金融科技学域)
本文通过标准化实验流程评估三种大型语言模型从中文新闻摘要中提取情感因子并构建量化交易策略的表现,以探究LLMs预测中国股票价格走势的潜力。
2024-05-04 cs.AI cs.CL q-fin.ST
Do Weibo platform experts perform better at predicting stock market?
University of Limerick(利默里克大学);LERO(LERO(爱尔兰软件工程研究中心))
本文结合 BERT 情感分类与 LSTM 时序预测,比较微博 AFA 与 UFA 用户情感对恒生指数走势的预测效果,发现 AFA 组预测精度高 39.67%,最高准确率达 87%。
2024-02-12 cs.AI cs.LG cs.SI
Mamba Outpaces Reformer in Stock Prediction with Sentiments from Top Ten LLMs
University of North Texas USA(美国北德克萨斯大学)
本研究提出结合十大LLM情感分数与分钟级股价的预测框架,构建时间对齐数据集训练Reformer和Mamba模型,发现Mamba速度更快且预测精度更优,验证了LLM语义分析与高效时序建模结合提升实时金融预测的潜力。
2025-09-14 cs.AI cs.LG q-fin.ST
Distillation of News Flow into Analysis of Stock Reactions
关于金融业务的大量观点、事实和推文提供了测试和分析这些文本来源对股票未来方向的影响的机会。它还创造了必要性,通过统计技术提取这一惊人的,确实是巨大的数据源的信息元素。使用来自专业平台,博客论坛和股票留言板的混合文本源,我们通过不同的词汇情感变量进行提取。这些被用来分析股票的反应:波动性,成交量和回报。情绪的上升,特别是对那些前景悲观的人来说,将影响波动性和成交量。这种影响取决于词汇投射,并且在全球行业分类标准(GICS)部门之间存在差异。基于2009年10月20日至2014年10月13日期间100个标准普尔500指数成分股的评论文章,我们将其投射到BL,MPQA,LM词典中,并使用提取的情绪变量来预测面板背景下的个股指标。利用不同的词汇投射来测试不同的股票反应指标,我们旨在回答以下研究问题:(一)词汇在分析能力上是否一致?(ii)在多大程度上存在不对称的反应?负)?(iii)高关注度公司的消息是否传播得更快,导致股票反应更及时和有效?(iv)从提炼的情绪指标中是否有特定行业的反应?我们发现,在提炼的新闻流中存在显著的增量信息,情绪效应表现为股票反应的非对称性、注意力特异性和行业特异性。
2020-09-22 q-fin.ST
Linking microblogging sentiments to stock price movement: An application of GPT-4
本研究利用GPT-4对微博情感进行上下文分析,预测苹果和特斯拉的当日股价变动,在多数月份优于BERT,最高准确率达71.47%,并强调提示工程的重要性。
2023-08-31 q-fin.CP q-fin.ST
Causality between investor sentiment and the shares return on the Moroccan and Tunisian financial markets
University of Gabès(加贝斯大学)
本文研究摩洛哥和突尼斯金融市场中投资者情绪与股票收益的因果关系,发现盈利性导致投资者情绪而非相反,且两者存在显著正向关系但情绪不可预测。
2023-05-26 q-fin.GN q-fin.PM q-fin.ST
Improved Method of Stock Trading under Reinforcement Learning Based on DRQN and Sentiment Indicators ARBR
随着人工智能在金融领域的应用,量化交易被认为有利可图。基于此,本文提出了一种改进的深度递归DRQN-ARBR模型,因为现有的量化交易模型忽略了投资者非理性行为对市场的影响,使得在我国股票市场非有效的环境下应用效果不佳。该模型通过将原模型中的全连接层改为LSTM层,并使用情感指标ARBR构建交易策略,解决了传统DQN模型经验数据存储内存有限、可观测马尔可夫特性对性能影响等问题。同时,本文还改进了原模型中库存状态较少的缺点,选择了更多的技术指标作为模型的输入值。实验结果表明,本文提出的DRQN-ARBR算法能够显著提高股票交易中强化学习的性能。
2021-11-19 q-fin.ST
Support for Stock Trend Prediction Using Transformers and Sentiment Analysis
University of California, Irvine(加州大学欧文分校)
本文提出基于 Transformer 的模型,结合股票技术数据与情感分析,在长时间窗口内提升股票趋势预测准确率,在 30 个工作日序列上方向准确率较 RNNs 提升近 18.63%。
2023-05-18 cs.LG q-fin.ST
Mining the Relationship Between COVID-19 Sentiment and Market Performance
本文利用 Twitter 文本情感分析提取 COVID-19 相关情绪,发现其与疫情初期股市表现具有强关联,并可作为未来市场预测指标。
2023-03-14 econ.GN q-fin.EC q-fin.ST
Predicting The Stock Trend Using News Sentiment Analysis and Technical Indicators in Spark
Özyeğin University(奥兹耶金大学);Huawei Turkey R&D Center(华为土耳其研发中心);Marmara University(马尔马拉大学)
由于股票市场的走势受多种因素的影响,因此预测股票市场的走势一直是一项具有挑战性的工作。在这里,我们通过创建tomorrow_trend特征作为我们要预测的标签,将未来趋势预测问题作为机器学习分类问题来处理。提供不同的特征来帮助机器学习模型预测给定日期的标签;无论是上升趋势还是下降趋势,这些特征都是从股票价格历史中生成的技术指标。此外,由于金融新闻在改变投资者行为方面起着至关重要的作用,因此特定日期的整体情绪评分是根据当天发布的所有新闻创建的,并作为另一个功能添加到模型中。三种不同的机器学习模型在Spark(大数据计算平台),Logistic回归,随机森林和梯度提升机中进行了测试。随机森林是表现最好的模型,测试准确率为63.58%。
2022-01-19 cs.LG q-fin.ST
Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing
ADA University(ADA大学);George Washington University(乔治华盛顿大学)
本研究通过时间序列分析与自然语言处理,利用Twitter情绪和LSTM模型预测股票价格,发现情绪极性是主要影响因素,为投资决策提供参考。
2023-08-31 cs.AI cs.LG q-fin.ST
News Sentiment Embeddings for Stock Price Forecasting
Department of Electrical \& Computer Engineering Rutgers University New Brunswick, NJ, USA Email
本文研究利用《华尔街日报》新闻标题的OpenAI文本嵌入与PCA特征提取来预测SPY日度价格走势,结合美元指数和国债收益率等数据训练390多个模型,发现新闻嵌入可至少提升40%的预测性能。
2025-06-19 cs.LG q-fin.ST
Inside the Mind of Investors During the COVID-19 Pandemic: Evidence from the StockTwits Data
我们利用投资者在社交媒体投资平台\textit{StockTwits}上的大量信息,研究投资者在COVID-19疫情期间股票市场回报的信念、情绪和分歧。StockTwits数据的丰富和多模态特征使我们能够探索投资者,行业甚至行业内部和之间的情绪和分歧的演变。我们发现,在2020年2月19日至2020年3月23日期间,所有具有任何投资理念,视野和经验的投资者的情绪(分歧)急剧下降(增加),其中历史市场高点随后出现创纪录的下跌。令人惊讶的是,这些措施在3月底出现了急剧逆转。然而,这些措施在各部门的执行情况参差不齐。金融和医疗行业分别是最悲观和最乐观的部门。
2020-05-08 econ.GN q-fin.EC q-fin.ST
News-sentiment networks as a risk indicator
为了了解新闻情绪和公司股价走势之间的关系,并更好地了解公司之间的连通性,我们定义了一个算法来衡量基于情绪的网络风险。该算法通过计算个体风险和聚合网络风险,对网络中的公司进行排名,并衡量基于情绪的风险。我们提取公司的相对情绪,以衡量单个公司的风险,并将其输入到我们的风险模型中,同时每季度从新闻中提取公司的共同出现。我们可以证明,我们的风险模型输出的最高季度风险值与风险测量后70天内股价下跌的可能性更高相关。我们的研究结果表明,与包含同一时期所有风险值的基准相比,股票价格下跌概率的最大差异是在季度测量后的21至30天之间。公司股价下跌的最高平均概率出现在公司达到最大风险值后延迟28天时。每日下跌的最高概率差异计算为13个百分点。
2018-05-15 q-fin.RM q-fin.ST q-fin.TR
Large language models in finance : what is financial sentiment?
本文探讨了金融情感的本质及其衡量方法演变,分析了大型语言模型(如BERT和GPT系列)在情感分类、文本生成和实时解释中的作用,揭示了AI驱动的情感分析在金融决策中的重要性。
2025-03-18 q-fin.CP q-fin.GN q-fin.ST
A Robust Predictive Model for Stock Price Prediction Using Deep Learning and Natural Language Processing
NSHM Knowledge Campus(NSHM知识学院)
股票价格未来走势的预测一直是许多研究工作的主题。有大量的文献对股票价格的技术分析,其目的是确定股票价格走势的模式,并从中获得利润。提高预测精度仍然是这一研究领域最大的挑战。我们提出了一种使用机器学习、深度学习和自然语言处理的混合方法来预测股价走势。我们选择印度国家证券交易所的NIFTY 50指数值,并收集其三年(2015年至2017年)的每日价格变动。基于2015年至2017年的数据,我们使用机器学习建立了各种预测模型,然后使用这些模型预测NIFTY 50在2018年1月至2019年6月期间的收盘价,预测范围为一周。为了预测价格走势模式,我们使用了一些分类技术,而为了预测股票的实际收盘价,我们使用了各种回归模型。我们还构建了一个基于长期和短期记忆的深度学习网络来预测股票的收盘价,并将机器学习模型的预测精度与LSTM模型进行了比较。我们通过在twitter数据上集成情绪分析模块,将公众对股票价格的情绪与市场情绪相关联,进一步增强了预测模型。这是通过使用twitter情绪和前一周收盘价来预测下周的股价走势。我们使用基于自组织模糊神经网络的交叉验证方法测试了我们提出的方案,发现了非常有趣的结果。
2019-12-09 cs.LG q-fin.ST
Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning
ETH Zürich(苏黎世联邦理工学院)
本研究结合基本面指标、技术指标和新闻情感,利用LSTM和Transformer模型预测盈利公告日的股价方向,发现Transformer在识别波动方面更敏感,且新闻情感有助于提升性能。
2026-05-25 cs.LG q-fin.ST
Social Network based Short-Term Stock Trading System
Politecnico di Milano(米兰理工大学)
本文提出了一种新的自适应算法的自动化短期交易的金融工具。该算法采用语义情感分析技术来检查Twitter帖子,并使用它们来预测股票市场的行为。事实上,该算法是专门开发的,以利用情绪和特定金融工具的过去价值,以选择最佳投资决策。这使得算法能够确保通过在股票市场上交易获得的利润最大化。我们进行了投资模拟,并比较了我们提出的性能与一个著名的基准(DJTATO指数)和最佳的结果,其中投资者提前知道产品的未来价格。结果表明,我们的方法优于基准测试,并取得了接近最优结果的性能得分。
2018-01-16 cs.AI cs.SI q-fin.ST
Effectiveness of Artificial Intelligence in Stock Market Prediction based on Machine Learning
本文试图解决利用人工智能(AI)策略进行股票市场预测的问题。股票市场的预测可以根据两个主要的分析建模,称为技术和基本面。在技术分析方法中,采用回归机器学习(ML)算法,根据历史价格数据预测营业日结束时的股票价格趋势。与此相反,在基本面分析中,分类ML算法被应用于基于新闻和社交媒体的公众情绪分类。在技术分析中,历史价格数据来自雅虎财经,在基本面分析中,Twitter上与股票市场相关的公共推文被调查,以评估情绪对股票市场预测的影响。结果显示了中等的表现,这意味着在目前的人工智能技术下,声称人工智能可以击败股票市场还为时过早。
2021-06-30 q-fin.ST
Emoji Driven Crypto Assets Market Reactions
Fudan University(复旦大学);IDA Institute Digital Assets, Bucharest University of Economic Studies(布加勒斯特经济研究大学数字资产研究所);National Yang Ming Chiao Tung University(阳明交通大学);BRC Blockchain Research Center, Humboldt Universität zu Berlin(柏林洪堡大学区块链研究中心);Charles University(查理大学)
本研究利用GPT-4和微调BERT模型分析Twitter表情符号情感对加密市场的影响,发现其预测能力优于FinBERT纯文本分析,并可用于开发规避市场下跌、稳定收益的交易策略。
2024-05-04 cs.AI cs.CL cs.LG
An Improved Reinforcement Learning Model Based on Sentiment Analysis
随着人工智能技术的发展,以强化学习为代表的量化交易系统在股票交易市场中应运而生。作者将强化学习中的深度Q网络与情绪量化指标ARBR相结合,构建了股票市场的高频股票交易模型。为了提高模型的性能,采用PCA算法对特征向量进行降维,同时将市场情绪对多空力量的影响融入交易模型的空间状态,并采用LSTM层代替全连接层,解决了传统DQN模型由于经验数据存储量有限而带来的问题。通过运用累积收益、夏普比率来评价模型的性能并与运用双移动平均线等策略进行比较。结果表明,作者提出的改进模型在收益方面远远优于比较模型,实现了54.5%的最大年化收益率,这被证明能够显著提高股票交易中的强化学习性能。
2021-11-19 q-fin.ST
Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data
Ecole Polytechnique(巴黎综合理工学院);Exoduspoint Capital Management France(法国Exoduspoint资本管理公司);ENSAE Paris(巴黎国立统计与经济管理学院)
由于市场的不确定性和从机器的角度理解自然语言的困难,从文本信息预测股票价格是一项具有挑战性的任务。以往的研究主要集中在基于单个新闻的情感提取上。然而,金融市场上的股票可能是高度相关的,关于一只股票的一个消息可以迅速影响其他股票的价格。考虑到这种影响,我们提出了一个新的股票走势预测框架:多图递归网络股票预测(MGRN)。该架构允许将来自金融新闻的文本情感和从其他金融数据中提取的多个关系信息相结合。通过对STOXX欧洲600指数股票的准确性测试和交易模拟,我们证明了我们的模型比其他基准更好的表现。
2021-12-15 cs.CL q-fin.ST
Multimodal Stock Price Prediction
TOBB University of Economics and Technology(TOBB经济与技术大学)
本文提出一种结合传统金融指标、推文和新闻文章的多模态机器学习股票价格预测方法,利用 ChatGPT-4o 和 FinBERT 进行情感分析并整合至 LSTM 模型中,使预测有效性提升高达 5%。
2025-01-23 cs.AI cs.LG q-fin.ST
A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective
Hockaday School(霍卡迪学校);Lumos Alpha(卢姆斯阿尔法)
本文综述了大型语言模型在股票预测中的应用,包括从新闻和社交媒体提取情绪、分析财务报告和电话会议记录,以及构建多智能体交易系统,并指出实践中常被忽视的问题,如情绪分析的脆弱性、数据集和时间范围设计、性能评估指标、数据泄露、流动性溢价和股价预测的局限性。
2026-04-10 cs.AI cs.LG q-fin.PR
FNSPID: A Comprehensive Financial News Dataset in Time Series
该论文提出FNSPID,一个包含1999至2023年标普500公司股票价格与新闻的大规模数据集,通过实验证明其规模和质量能显著提升市场预测准确性,并提供了可复现的更新流程。
2024-02-09 q-fin.ST
Improving Stock Market Prediction via Heterogeneous Information Fusion
传统的股票市场预测方法通常利用股票的历史价格相关数据来预测其未来趋势。随着网络信息量的增长,近年来有研究试图挖掘财经新闻来提高预测能力。有效指标,例如,与股票相关的事件和人们对市场和股票的情绪,已被证明对股票的波动起着重要作用,并被提取出来输入到预测模型中,以提高预测精度。然而,以前的方法的一个主要局限是,指标只从一个来源,其可靠性可能很低,或从几个数据来源,但它们之间的相互作用和相互关系的多个来源的数据在很大程度上被忽视。在这项工作中,我们提取的事件,从网络新闻和用户的情绪,从社会媒体,并通过耦合矩阵和张量因子分解框架研究他们对股票价格走势的联合影响。具体而言,首先构造一个张量来融合异质数据,并捕捉事件和投资者情绪之间的内在联系。由于张量的稀疏性,两个辅助矩阵,股票数量特征矩阵和股票相关性矩阵,构造和合并,以协助张量分解。其背后的直觉是,彼此高度相关的股票往往会受到同一事件的影响。因此,我们不是单独和独立地进行每个股票预测任务,而是通过它们的共性同时预测多个相关股票,这是通过在矩阵和张量之间共享协作分解的低秩矩阵来实现的。通过对2015年中国A股和香港A股数据的实证分析,验证了该模型的有效性。
2018-01-02 cs.SI physics.soc-ph q-fin.ST
Stock price prediction using BERT and GAN
The LNM Institute of Information Technology(LNM信息技术研究所)
股票市场一直是一个热门话题的兴趣在最近的过去。通货膨胀率的上升迫使人们投资于股票和商品市场以及其他领域,而不是储蓄。此外,深度学习模型对时间序列数据进行预测的能力已经被一次又一次地证明。借助技术指标对股票市场进行技术分析已成为交易者和投资者最常见的做法。另一个方面是情绪分析-投资者的情绪,表明投资意愿。世界各地的人们已经使用了各种技术,包括基本的机器学习和神经网络。从基本的线性回归到先进的神经网络,人们已经尝试了所有可能的技术来预测股票市场。从最近的事件中可以明显看出新闻和头条新闻如何影响股票市场和加密货币。本文提出了一个集成的国家的最先进的方法来预测股票价格。首先,使用BERT的版本执行对在纳斯达克上市的苹果公司的新闻和标题的情感分析,该版本是由Google用于自然语言处理(NLP)的预训练的Transformer模型。然后,生成对抗网络(GAN)使用技术指标、各国股票指数、一些商品和历史价格以及情绪得分来预测苹果公司的股票价格。与基线模型进行比较,如长短期记忆(LSTM),门控递归单位(GRU),香草GAN和自回归综合移动平均(ARIMA)模型。
2021-07-18 cs.CL cs.LG q-fin.ST
Cross-Lingual News Event Correlation for Stock Market Trend Prediction
National University of Sciences and Technology(国立科技大学);Bahria University(巴里亚大学);Prince Sultan University(苏丹王子大学)
本文构建结构化金融数据集并提出跨语言自然语言金融预测流水线,结合情感分析、命名实体识别和语义相似度,揭示新闻事件与股市趋势的关联,为投资者提供决策支持。
2024-09-16 cs.LG q-fin.ST
Stock Price Prediction Under Anomalous Circumstances
University of Rochester(罗切斯特大学)
股票市场波动复杂,2020年更是如此。由于COVID-19大流行等一系列全球和地区“黑天鹅”,美国股票市场在3月9日至16日的一周内三次触发熔断机制,这在历史上是前所未有的。受此影响,个别公司的股票价格也以任何预先开发的预测模型都无法预测的速度暴跌。它揭示了缺乏令人满意的模型,可以预测股票价格的变化时,灾难性的,极不可能的事件发生。为了填补这类模型的空白,并帮助防止投资者在不确定的时期遭受重大损失,本文旨在捕捉异常情况下股票价格的运动模式。首先,我们通过拟合一个标准的ARIMA模型来检测连续股票价格中的异常值,并确定预测与实际值显著偏离的点。使用选定的数据点,我们分别在个股水平、行业水平和一般市场水平上训练ARIMA和LSTM模型。由于公众情绪对股票市场的影响巨大,因此情绪分析也以情绪分数的形式纳入模型中,情绪分数是从Reddit上对特定股票的评论转换而来的。基于2016年至2020年期间100家公司的股票价格,该模型的平均预测准确率达到98%,可用于优化现有的预测方法。
2021-09-14 cs.LG q-fin.ST
Interdependency between the Stock Market and Financial News
股票价格是由各种因素驱动的。特别是,许多金融知识相对较少的个人投资者在做出股票市场投资决策时严重依赖新闻报道的信息。然而,由于新闻的主观性,这些故事可能并不反映未来的股票价格;股票价格反而可能影响新闻内容。本研究旨在发现是新闻还是股票价格对另一个有更大的影响。为了实现这一点,我们分析了新闻情绪和股票价格之间的关系,基于时间序列分析,使用五种不同的分类模型。我们的实验结果表明,股票价格对新闻内容的影响大于新闻对股票价格的影响。
2019-09-01 cs.IR q-fin.ST
Using Deep Learning Neural Networks and Candlestick Chart Representation to Predict Stock Market
Yuan Ze University(元智大学);National Taiwan University of Science and Technology(台湾科技大学);Omniscient Cloud Technology(全知云技术公司)
股票市场预测仍然是一个具有挑战性的问题,因为影响股票市场价格的因素很多,如公司新闻和业绩、行业业绩、投资者情绪、社交媒体情绪和经济因素等。这项工作探讨了在股票市场使用深度卷积网络和蜡烛图的可预测性。的结果是用来设计一个决策支持框架,可用于交易者提供未来股票价格方向的建议指标。我们使用各种类型的神经网络来执行这项工作,如卷积神经网络,残差网络和视觉几何组网络。从股票市场的历史数据,我们将其转换为烛台图。最后,这些蜡烛图将作为训练卷积神经网络模型的输入。这个卷积神经网络模型将帮助我们分析蜡烛图内部的模式,并预测股票市场的未来走势。在股票市场预测中,我们的方法的有效性进行了评估,台湾和印尼股票市场数据集的预测准确率分别为92.2%和92.1%。构建的模型已被实现为基于Web的系统,可在http://140.138.155.216/deepcandle/上免费获得,用于使用烛台图和深度学习神经网络预测股票市场。
2019-02-26 cs.LG q-fin.GN q-fin.ST
Understanding the Impact of News Articles on the Movement of Market Index: A Case on Nifty 50
Praxis Business School(普拉西斯商学院)
本文针对以往研究忽视新闻主题差异的问题,结合多主题新闻情感分析 Nifty 50 指数走势,证明非市场类主题情感也会显著影响指数。
2024-11-22 cs.CL cs.LG q-fin.ST
A Novel Twitter Sentiment Analysis Model with Baseline Correlation for Financial Market Prediction with Improved Efficiency
King's College London(伦敦国王学院);Imperial College London(帝国理工学院)
与传统的基于封闭式基金折价(CEFD)的投资者情绪计量模型相比,提出了一种新的基于Twitter情绪评分(TSS)的社交网络情感分析模型,用于实时预测FTSE 100未来股票市场价格.所提出的TSS模型采用了一种新的基线相关方法,不仅具有良好的预测精度,而且减少了计算负担,并在不了解历史数据的情况下实现了快速决策。多项式回归,分类建模和基于词汇的情感分析使用R。在不参考历史TSS或市场数据的情况下,使用建议的基线标准,通过15个时间样本(30个工作小时)提前预测未来股票市场的趋势,准确率为67.22%。具体而言,TSS的预测性能的一个向上的市场被发现远远优于一个向下的市场。在Logistic回归和线性判别分析下,TSS对期货市场上涨趋势的预测准确率达到97.87%。
2020-04-21 cs.LG cs.SI q-fin.ST
Optimizing Performance: How Compact Models Match or Exceed GPT's Classification Capabilities through Fine-Tuning
Ai For Alpha;CentraleSupelec(中央高等电力学院);Paris Dauphine - PSL(巴黎多芬大学-PSL大学)
本研究构建无人工偏差的金融新闻市场情绪数据库,证明微调后的小型非生成式金融领域模型在金融新闻情感分析任务中可匹配甚至超越零样本及同任务微调的GPT模型,并开源模型供后续研究使用。
2024-08-22 cs.CL q-fin.ST