随着机器学习、情感分析技术的广泛快速发展,原本认为难以量化分析的投资者情感可以通过投资者在网络空间的留言内容作为分析其情感的切入点。此外结合文本数据分析模型能够几何级别地提升分析效率,且相关模型中拟合度较好的模型准确率一般可以达到85-90%。运用神经网络建模分析文本情感,预测舆情变化趋势成为热门话题,循环神经网络因相较于CNN有更强的持续学习能力和更好的学习效果而更受欢迎。
本文探讨了人们在网络投资者社区评论中所蕴含的情感状态,从东方财富网上证指数股吧爬取用户评论数据保存并进行情感分析,使用Word2Vec词向量模型将评论文本转化为词向量,用于对投资者情绪进行模拟。从而模拟中国证券投资者的投资情绪变化。统计投资者留下评论中所蕴含的积极、消极、中性情感,结合TextRNN+LSTM分析模型有选择性地分析判断用户情感倾向与证券走势的相互关系,提出了投资者的情绪会在几天的时间里对证券市场产生一定程度的影响,在影响程度较为明显时,利好政策的出现对投资者情绪的影响较为明显。同时也证实了从统计学角度来看,投资者情绪变化是股市收益产生波动的其中一个充分条件。本文也对LSTM模型使用过程进行总结分析,探讨该模型未来在情感分析领域的突破与发展。例如改进模型结构,增加逻辑层数,减少梯度下降造成的损失。
本文的创新点在于:1、运用LSTM与其他模型结合使用以解决RNN模型在预测文本数据时常常出现的梯度消失或梯度爆炸问题、2、使用TextRNN用于长文本处理。
投资者因为各种各样的原因,对未来的市场发展、资产收益的预期存在偏差REF_Ref25737\r\h[11],这样的偏差并不是无迹可寻,除此之外,行为金融学的研究学者认为上述特性是可以被量化的。而在其量化方式的选择上,随着文本学习技术的发展,从网络文本为切入点,通过文本数据分析个体投资情绪的方式成为可能。而针对投资者情绪的变量研究也从一维变量逐渐向高维发展,这就为使用机器学习等方法建立分析模型,分析参与者行为创造了理论基础和条件。通过对于网络用户的评论文本分析,人们得以研究一段时间内网络用户的情感倾向。
通过神经网络相关技术来针对投资者情绪进行研究有很多实践性意义:对于相关网络文本的情感分析可以探索中国投资者的情绪与市场变化的关联,建立符合情况的投资者情绪文本词典,而针对这方面的研究能够完善对于中国市场的金融投资行为研究理论的补充,对中国投资者的投资行为与心理理论的完善做出贡献,分析我国投资者对于金融市场活动以及各类相关消息、舆论的反应程度与态度,有助于我国更好地完善股票市场产品的定价机制和管理体制并关注投资者的心理状态,如可以运用相关文本分析技术将包括评论在内的网络文本数据转化为词向量,用相关分词后的文本数据进行训练和模拟预测未来的情感趋势。
在机器学习的应用实践中,有一种研究方法是对投资者的行为数据进行挖掘与分析,将金融理论知识同计算机技术相结合始终是十分热门的课题,通过大数据和机器学习构建投资者模型,不仅可以分析价格变动的深层原因,探寻投资价值规律,也能预防系统风险,为监管机构更好地把握投资者情绪,监测情绪,疏导舆情,维护合理市场秩序,从而对保护消费者或企业产生作用MMFITHESISFINANCIALDISINTERMEDIATION——KELLYWRIGHT(2010)。
从行为金融学的相关理论来看人们投资者的行为时会发现,人们的投资活动也容易受自身的心理因素影响REF_Ref2862\r\h[9]。投资活动往往暴露了一些投资者的感性情绪,据此研究工作人员认为,决策者的投资偏好一般都是多个方面、容易改变的,这种投资偏好往往只在进行决策的过程中才能逐渐形成;投资者往往由于自身势单力薄,缺乏专业知识REF_Ref4548\r\h[15],消息渠道和投资经验等原因根据“噪声信息”投资,相关投资社区等就容易因同类用户的聚集而形成噪声并互相影响,干扰自身判断,也有明显的羊群效应REF_Ref26434\r\h[1],“出盈保亏”现象也很普遍,这些无不说明投资者的情绪会对其行为产生影响,由此分析投资者的情绪表达对于其投资行为是十分重要的参考REF_Ref26692\r\h[2]。
从情绪衡量的指标来看,许多研究人员从寻找可以衡量投资者情绪的数据来源出发,使用时间序列模型分析其与股市收益的相关性,并得出其与股市收益存在长期正相关的关系,也说明了投资者情绪与社会投资活动存在较强的关联,其决策会对市场变化发生一定程度的影响REF_Ref1932\r\h[6]。而随着深度学习技术的发展,现代量化投资者情绪可以从海量的网络文本数据中高效地挖掘出其隐含的情绪状态,并从中提取出有价值的信息。
人们的非理性的行为可能产生持续性影响,通过结合心理学与行为学的相关理论,系统地研究金融活动中的参与者行为REF_Ref512\r\h[14],理查德·塞勒证明了人的性格确实会对个人决策与市场结果造成系统性影响。迈尔斯塔特曼从行为投资组合、心理会计、行为资产定价模型论述投资者的认识偏差、认知错误。
神经网络模拟人脑中各个神经元对于信息的传递处理过程,按照其连接形态和方式可以组成不同的网络。神经网络由大量的节点之间相互连接构成,每一个节点都可以用来代表一个输出的函数,这个节点输出的函数也被我们统统地称为一个激励函数,而每两个节点之间的相互连接都可以代表一个对于通过该节点连接产生信号的加权值,这个节点的加权值也被我们统统地称为输出的权重,整个神经网络的每一个输出根据其所受连接的方式、激励函数以及其权重的不同而变化。有的研究者提出可以将其应用于自然语言处理领域,这么做的最大优势主要就是无需再花费大量的时间精力在进行特征提取与选择上。将单词的分布式表达器输入应用到了神经网络中,运用卷积、点乘、非线性函数、矩阵相乘等运算,自动地提取并给出对文本进行分类有价值的信息,具有易读性,具备抗干扰能力,能够保持模型相对稳定REF_Ref31277\r\h[3]。
在情绪衡量方面,网络用户的行为、评论往往是运用分析模型计算的重要领域,Da、EngelbergGao(2015)通过民众在互联网上的搜索内容来衡量投资者情绪的变化。Jiangetal.(2016)通过LM词典对经理人的文本情感指数予以搭建,根据相关研究和分析,未来股市收益、情感指数二者间的关系即反向影响。MeenaRambocas回顾在线情绪分析的营销文献,并从分析单元、抽样分析和情绪分析的角度得出了情绪对用户的营销作用REF_Ref22767\r\h[17]。在国内,研究人员通过从虚拟交流平台获取数据,构建出一系列可以用来评价投资者心理状态的指标;或者采用相关指标,如消费者信心指数(池丽旭、庄心田,2009)、好淡指数(吕志岩,2013、曾炫川,2015)、新增开户数、开放式股票型基金资金净流入(王春,2014)等对投资者偏好,信心,投资者增加量等相对较为广泛接受的指标进行间接分析。REF_Ref31336\r\h[5]从文本情感分析的角度,人们研究的对象从IPO公司上市前主流财经媒体正负面词汇数(汪昌云、武佳薇,2015)、东方财富网标题内容的词频统计(易洪波等,2015)、用户在股吧、论坛的评论数(刘珂言,2015)、知网、微博话题信息文本分析(孟雪井、孟祥兰、胡杨洋,2016)以及东方财富网股吧的评论数据(孟志青、郑国杰、赵韵文,2018)等都有作为直接代理变量衡量投资者情绪指标REF_Ref15290\r\h[10]。
凭借着文本分类技术的快速发展与进步,金融学领域的文本分析效率得到大幅度的提高,利用文本挖掘技术精炼非结构化文本数据,机器学习在文本分析上的应用是十分热门的课题。通过解析人们的评价和言论获取的文本数据,可以用于刻画关注度、情绪或语调、可读性、新闻隐含波动率和意见分歧等方面。
文本信息的来源多种多样,从虚拟网络社区的发帖与跟评,消费者对产品的评价,上市公司经营报告,电话录音文稿,分析师研究报告,会议纪要,由央行等政府机构发布的权威报告等等都属于文本大数据的范畴。在信息浩如烟海的时代,由于文本数据搜集难度与成本都较高,加上文本含义丰富,表达意味多样,传统数据收集方式搜集效率逐渐下降。而随着文本信息从传统收集方式向互联网传递介质的方式转变,文本数据收集和传输成本有了更为简便有效率的途径,网络词库的规模不断得到补充和丰富。模型训练也让庞大的数据文本得以被发掘出其深层涵义,为计算机领域的自然语言处理方法提供了适合的发挥空间。传统数据需要经过系统性的组织和安排来收集,常用的经济和金融领域数据多需要一段时间的累积才能形成其结果,而文本大数据的频率可以高达秒级,面对这为高频研究提供了数据基础。针对文本数据的分析能够更清晰判断用户的喜好。
文本分类中的一个关键问题是特征表示,它通常基于词袋模型,其中unigrams、bigrams、ngrams通常被提取为特征。此外,几种特征选择方法,如频率、MI、PLSA、LDA被应用于选择更具鉴别性的特征。然而,传统的特征表示方法往往忽略了文本中的上下文信息或词序有时可能对于文本含义的把握出现偏差,这就需要循环神经网络构建更长的文义依赖关系。
未来几年,在经济和金融领域运用文本大数据研究方面,将开拓更为丰富的数据源,通过训练与分析筛选更适合的机器学习模型、改良深度学习方法来优化文本数据的分析效果,提高模型准确度与预测能力REF_Ref27451\r\h[12]。由于文本数据不可避免的带有发出者的主观情绪意图,数据也存在情绪色彩,可能对研究产生偏差,此外无监督学习过程也相对复杂,文本数据是否能够准确反映所研究的潜在内容,需要更多研究。
近年来,关于情感分析的研究工作得到许多关注,近年来,关于情感分析的研究工作得到许多关注,相关研究人员在文本情感分析方面经过了不懈努力,取得了较大进步。文本情感分析,是对带有海量数据文本分析处理,挖掘意见,探究情感倾向并预测其变化发展。随着现代科技的迅猛发展,互联网社区交流成为网络用户的新型交流手段,虚拟空间往往让人们能够更直白地表达自己的情绪。投资者情绪指数的构建,关键在于选择合适的搜索关键词集,能够准确全面地反映投资者的心理特征。
网络的虚拟性使民众选择网络平台展现自己的情感,网民的发言真假难辨,有时候许多非理性的情绪更容易借由网络不断传播,对网络社区用户心理产生影响。针对网络舆情的动态分析可以观察到相关情绪变化趋势,对于社会舆情关注有很大作用。
随着计算机技术的发展,分析繁杂的金融数据并探索相关规律有了更高效的金融量化分析手段REF_Ref31336\r\h[5]。热门的机器学习、深度学习、人工智能、数据挖掘等方面都有不小的应用前景。在预测股票市场发展的可行性方面,孟毅等人(2009)通过用BP神经网络预测股价模型,证明合适的网络模型结构是可以对股票市场进行相对准确的预测孟毅,吕渭济.基于BP神经网络的数据挖掘及在股价预测中的应用[J]
孟毅,吕渭济.基于BP神经网络的数据挖掘及在股价预测中的应用[J].现代计算机(专业版),2009(02):106-108+126.
针对金融市场出现的诸多不确定因素以及投资者的心理因素变化,文本大数据分析可以用来对投资者的情绪,波动程度,文本数据变化进行度量,对于定量分析投资者情绪和投资市场舆情状态都有很多帮助,循环神经网络在文本分析中已经得到了较为广泛的运用并取得了一定的成效。传统情感分类方法有基于情感词典分类以及基于机器学习分类两种。
传统的基于情感词典分类要求模型先记入基本的表达文本态度情感的词汇并判断其情感,使用训练后的情感词典进行后续分类的使用,不同领域中某些字或词汇可能有不同的含义,例如“绿”、“熊”等字在投资中往往与亏损等消极因素联系。基于机器学习分类则是选出一部分积极语料与消极语料交给模型学习,再通过训练得出分类规则,获得训练后的标签结果来对测试集进行情感预测,其分析的准确程度会受到情感词典的质量以及词典文本覆盖度的影响。机器学习需要对文本分类进行标注,如将褒义文本标注为1,贬义文本标注为0,将文本含义划分为积极文本与消极文本,这样的标注方法更贴合读者对于文本含义的评价,此外,在一些社区也可以用星级评价,“赞”、“踩”,转发等行为来判断网络用户的情感。分词统计需要构建特征词矩阵,将特征向量化,而一些行业中专用的词汇也需要特别留意,并将其加入词典。机器学习依赖高质量的数据集,需要高质量的特征构造与提取,这对于数据集质量提出了一定的要求。
而深度学习方法将需要分类的评论语料转化为词向量,通过不同的资料语义文本组织和数据合成的分析方法,得到基于相应语料文本的评论特点和语义表达式,最后通过深度神经网络对其语料进行了综合分类,并输出评价结果。而深度学习往往需求文本数据量相当大,有时在数据搜集上较为困难。
情绪分类是通过提取文本语料中的情绪要素,并利用之前训练好的分类模型,将其
划分到之前预定义的情绪类别中。这项技术可以应用于帮助公安机关准确掌握社会情绪动态,为后期实现对网络舆情的监控、预测和管理提供支持。在以往的研究中,针对文本情绪分类的研究大多集中在正负向的情感分类中,并且取得了一定的成果。近年来,对于文本语料的情绪分类逐渐成为自然语言处理领域的热点问题。
随着深度学习理论的不断发展,文本分类的研究重点逐渐转移到了对于合适的神经网络的分类模型的研究上。中文情绪分类已经成为自然语言处理领域的热点问题。互联网评论信息通常为短文本,受字数的限制,往往内容简短、且直接表达含义REF_Ref27451\r\h[12]。中文属于象形文字,它的表达单元虽然也是词,但是却以两个或两个以上的多字词为主,词与词之间没有固定的分隔符,边界非常模糊,在不经过分词的情况下,计算机很难准确识别中文词语的具体含义,也就无法准确完成情绪分类的任务。因此,对语料的分词是否准确是影响模型最终分类效果的一个关键因素。
传统的神经网络模型并不能做到长期保留之前学习的内容,或先前的事件推断后续的事件,随着传递时间的逐渐增加,后获取的信息对于整个模型的影响弱于先进入的信息。RNN解决了这个问题。RNN是包含循环的网络,允许信息的持续输入输出和长时间的分析与记忆。本文的分析模型选择以RNN类型的模型,而LSTM模型(LongShort-TermMemory)属于时间递归神经网络(RNN)的一种。LSTM模型相对于它的前身RNN模型,LSTM模型也具有神经网络的重复模块链,多个模块则分别具有不同的结构类型。与神经网络的简单的一层相比,LSTM拥有四层,这四层以特殊的方式进行交互。LSTM能够将一段拥有较长文字内容的文本向量读入并分析,避免了因上下文分析缺失导致的情感判断失误。适用于一些表达含蓄,正话反说等类型文本。RNN模型一样具备递归连接,而LSTM模型能够有效针对长序列训练过程中的梯度消失和梯度爆炸问题,而这是传统RNN模型不具备的。
深度神经网络被广泛应用于复杂文本分析,但随着深度的增加,也容易导致出现梯度的消失与发生梯度爆炸等问题。梯度消失的主要因素在于深度的神经网络以及反向传播,数据在较长的传播过程中由于其权值过小导致文本数据误差逐渐减小。为了更好地优化分析模型,寻找到最简单的损失函数及其最低值,我们通常需要考虑梯度消失下降的途径,而这种梯度消失往往是在两种类型的情况下较容易发生的:深层神经网络以及选择在其模型中都选择了不适合的损失函数。梯度式的爆炸通常会发生在深层网络以及权值的初始化取得阈值过高的条件下,文本数据误差越发增大。综上所述,相较于普通的
2、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
3、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
《S大学学生对图书馆图书门类及数量满意度的问卷调查研究(附问卷)》8900字.doc
四川省2025年普通高校职教师资高职班对口招生统一考试英语试卷982.pdf
四川省2024年9月普通高中学业水平合格性考试数学试卷(含答案).pdf
原创力文档创建于2008年,本站为文档C2C交易模式,即用户上传的文档直接分享给其他用户(可下载、阅读),本站只是中间服务平台,本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方,若您的权利被侵害,请发链接和相关诉求至 电线) ,上传者