基于文本信息的股票指数预测

doi:10.13209/j.0479-8023.2017.037

北京大学学报自然科学版 ›› 2017, Vol. 53 ›› Issue (2): 273-278.DOI: 10.13209/j.0479-8023.2017.037

基于文本信息的股票指数预测

董理, 王中卿, 熊德意^†()

苏州大学计算机科学与技术学院, 苏州 215006

收稿日期:2016-07-21 修回日期:2016-09-23 出版日期:2017-03-20 发布日期:2017-03-20
通讯作者: 熊德意
基金资助:
国家自然科学基金(61403269)和江苏省自然科学基金(BK20140355)资助

Stock Index Prediction Based on Text Information

Li DONG, Zhongqing WANG, Deyi XIONG^†()

School of Computer Science and Technology, Soochow University, Suzhou 215006

Received:2016-07-21 Revised:2016-09-23 Online:2017-03-20 Published:2017-03-20
Contact: Deyi XIONG

摘要/Abstract

摘要：

基于情感分析方法, 对股票市场进行预测。将从社交媒体中抽取的文本信息(词信息、情感词信息和情感分类信息)与股票技术指标相结合, 利用支持向量回归构建模型。通过实验与多种预测方法进行比较, 结果表明该方法能够获得较为理想的预测结果。

关键词: 股票预测, 情感分析, 支持向量回归(SVR)

Abstract:

Sentiment analysis strategy was used to predict stock market index. Support vector machine was applied to construct predict model based on textual information (i.e., lexical information, sentimental words, and sentiment categories) extracted from social media and stock indicators. Experiment results show that the proposed method can obtain the best results, compared with many different predictive model.

Key words: stock index prediction, sentiment analysis, support vector regression (SVR)

中图分类号:

TP391

董理, 王中卿, 熊德意. 基于文本信息的股票指数预测[J]. 北京大学学报自然科学版, 2017, 53(2): 273-278.

Li DONG, Zhongqing WANG, Deyi XIONG. Stock Index Prediction Based on Text Information[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2017, 53(2): 273-278.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2017.037

https://xbna.pku.edu.cn/CN/Y2017/V53/I2/273

图/表 6

参考文献 15

[1]	Fama E F. Market efficiency, long-term returns, and behavioral finance. Journal of Financial Economics, 1998, 49: 283-306
[2]	Fama E F. Efficient capital markets: a review of theory and empirical work. The Journal of Finance, 1970, 25: 383-417
[3]	Kavussanos M G, Dockery E.A multivariate test for stock market efficiency: the case of ASE. Applied Financial Economics, 2001, 11(5): 573-579
[4]	Gallagher L A, Taylor M P.Permanent and temporary components of stock prices: evidence from assessing macroeconomic shocks. Southern Economic Journal, 2002, 69: 345-362
[5]	Schumaker R P, Chen H.Textual analysis of stock market prediction using breaking financial news: the AZFinText system. ACM Transactions on Information System, 2009, 27(2): 1139-1141
[6]	Gruhl D, Guha R, Kumar R, et al.The predictive power of online chatter // KDD’05 Proceedings of the Eleventh ACM SIGKDD International Conference on Knowledge Discovery in Data Mining. New York: ACM, 2005: 78-87
[7]	Mishne G, Glance N. Predicting movie sales from blogger sentiment // AAAI 2006 Spring Symposium on Computational Approachesto Analysing Weblogs. Palo Alto, 2006: 155-158
[8]	Liu Y, Huang X, An A, et al.ARSA: a sentiment-aware model for predicting sales performance using blogs // SIGIR’07 Proceedings of the 30th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2007: 607-614
[9]	Bollen J, Mao H, Zeng X J.Twitter mood predicts the stock market. Journal of Computational Science, 2010, 2(1): 1-8
[10]	Sehgal V, Song C.SOPS: stock prediction using web sentiment // Workshops IEEE International Confe-rence on Data Mining. Omaha, 2007: 21-26
[11]	Qian B, Khaled R.Stock market prediction with multiple classifiers. Applied Intelligence, 2007, 26: 25-33
[12]	Fung G P C, Yu J X, Lam W. Stock prediction: integrating text mining approach using real-time news // IEEE International Conference on Computational Intelligence for Financial Engineering. Hong Kong, 2003: 395-402
[13]	Nikfarjam A, Emadzadeh E, Muthaiyah S.Text mining approaches for stock market prediction // International Conference on Computer & Automation Engineer. Singapore, 2010: 256-260
[14]	Gilbert E, Karahalios K. Widespread worry and the stock market // Fourth International AAAI Conference on Weblogs and Social Media. Washington, DC: ICWSM, 2010: 58-65
[15]	Somla A J, Schölkopf B.A tutorial on support vector regression. Statistics & Computing, 2004, 14(3): 199-200

项目	内容
时间跨度	2016年3月5日至4月29日(40个交易日)
数据集对象	上证综指大盘
关键词列表	股票、股市、A股等共40个
原始博文数量(每日)	平均35000条
清洗后博文数量(每日)	平均13000条
博文示例	1) 两市果然小幅翻红, 放心大盘会持续上涨。2) A股再次进入下跌趋势, 将会有巨大跌幅, 小心······

项目	内容
时间跨度	2016年3月5日至4月29日(40个交易日)
数据集对象	上证综指大盘
关键词列表	股票、股市、A股等共40个
原始博文数量(每日)	平均35000条
清洗后博文数量(每日)	平均13000条
博文示例	1) 两市果然小幅翻红, 放心大盘会持续上涨。2) A股再次进入下跌趋势, 将会有巨大跌幅, 小心······

情感极性	数量	示例
积极	442	飘红、走高、看好、涨停、利好等
消极	490	萎缩、减持、回落、探底、跳水等

情感极性	数量	示例
积极	442	飘红、走高、看好、涨停、利好等
消极	490	萎缩、减持、回落、探底、跳水等

系统模型	方法	MSE
Model_baseline	简单假设	0.035163
Model_LR	线性拟合	0.103503
Model_WE	深度学习	0.035491
Model_SVR	SVR	0.027454

基于文本信息的股票指数预测

Stock Index Prediction Based on Text Information

RichHTML

PDF

PDF (翻译版)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 15

相关文章 11

编辑推荐

Metrics

留言

模型名称	特征值	MSE
Model_tech	技术指标	0.030442
Model_words	词信息	0.035536
Model_sentiment_words	词信息、情感词信息	0.035469
Model_sentiment_analysis	词信息、情感词信息、情感分类结果	0.029486
Model_text_tech	词信息、情感词信息、情感分类结果、技术指标	0.027454

[1]	张亚洲, 王梦遥, 戎璐, 俞洋, 赵东明, 秦璟. ChatGPT可否充当情感专家？——调查其在情感与隐喻分析的潜力[J]. 北京大学学报自然科学版, 2024, 60(1): 43-52.
[2]	黄晋, 许实, 蔡而聪, 吴志杰, 郭美美, 朱佳. 基于多通道压缩双线性池化的情感‒原因句子对提取模型[J]. 北京大学学报自然科学版, 2022, 58(1): 21-28.
[3]	吴良庆, 刘启元, 张栋, 王建成, 李寿山, 周国栋. 基于情感信息辅助的多模态情绪识别[J]. 北京大学学报自然科学版, 2020, 56(1): 75-81.
[4]	厉小军, 施寒潇, 陈南南, 柳虹, 邹轶. 基于表示学习的情感分析研究[J]. 北京大学学报自然科学版, 2019, 55(1): 105-112.
[5]	闫雷鸣, 严璐绮, 王超智, 贺嘉会, 吴宏煜. 基于句式元学习的Twitter分类[J]. 北京大学学报自然科学版, 2019, 55(1): 98-104.
[6]	刘思叶, 田原, 冯雨宁, 庄育龙. 游客微博主题情感分析方法比较研究[J]. 北京大学学报自然科学版, 2018, 54(4): 687-692.
[7]	姜杰, 夏睿. 机器学习与语义规则融合的微博情感分类方法[J]. 北京大学学报自然科学版, 2017, 53(2): 247-254.
[8]	刘翠娟, 刘箴, 柴艳杰, 方昊, 刘良平. 基于微博文本数据分析的社会群体情感可视计算方法研究[J]. 北京大学学报（自然科学版）, 2016, 52(1): 178-186.
[9]	朱珠,汪蓉,李寿山,周国栋. 中文文本中评价对象省略识别方法[J]. 北京大学学报（自然科学版）, 2015, 51(2): 315-320.
[10]	贺飞艳,何炎祥,刘楠,刘健博,彭敏. 面向微博短文本的细粒度情感特征抽取方法[J]. 北京大学学报（自然科学版）, 2014, 50(1): 48-54.
[11]	孙艳,周学广,付伟. 基于主题情感混合模型的无监督文本情感分析[J]. 北京大学学报（自然科学版）, 2013, 49(1): 102-108.