| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-17页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 国内外相关研究现状 | 第9-14页 |
| 1.2.1 新闻情感对股市指数的影响与关系 | 第9-10页 |
| 1.2.2 在股市预测中应用的文本与情感分析方法 | 第10-12页 |
| 1.2.3 情感分析技术在股市预测中的应用 | 第12-14页 |
| 1.3 研究内容和论文结构 | 第14-15页 |
| 1.4 研究方法 | 第15页 |
| 1.5 论文创新点 | 第15-17页 |
| 2 情感分析与股市预测理论基础与关键技术 | 第17-31页 |
| 2.1 情感分析理论基础 | 第17-21页 |
| 2.1.1 情感分析中基于机器学习、基于词典和基于语言学的方法 | 第18-19页 |
| 2.1.2 情感分析的三个层次 | 第19-20页 |
| 2.1.3 情感分析中使用的词典 | 第20-21页 |
| 2.2 新闻情感与股市预测相关理论基础 | 第21-25页 |
| 2.2.1 有效市场假说与行为金融学的分歧 | 第21-24页 |
| 2.2.2 媒体对信息分布以及投资者心理的影响 | 第24页 |
| 2.2.3 股票预测的常用模型 | 第24-25页 |
| 2.3 支持向量机理论 | 第25-29页 |
| 2.3.1 支持向量机核心思想 | 第25-28页 |
| 2.3.2 统计学习理论 | 第28-29页 |
| 2.3.3 支持向量机核函数的参数选择 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 融合新闻热度和读者态度的新闻情感-股市指标预测模型 | 第31-49页 |
| 3.1 数据采集与预处理 | 第33-40页 |
| 3.1.1 新闻数据采集 | 第33-35页 |
| 3.1.2 新闻数据预处理 | 第35-39页 |
| 3.1.3 股市指标数据采集 | 第39-40页 |
| 3.2 构建情感词典 | 第40-43页 |
| 3.2.1 心理学情感词典 | 第40-41页 |
| 3.2.2 高频领域情感词典 | 第41页 |
| 3.2.3 SO—PMI金融领域情感词典 | 第41-43页 |
| 3.3 计算情感 | 第43-46页 |
| 3.3.1 情感计算基本思路 | 第43-44页 |
| 3.3.2 情感特征权重计算公式 | 第44-46页 |
| 3.4 使用支持向量机建立预测模型 | 第46-49页 |
| 4 实验及结果分析 | 第49-57页 |
| 4.1 实验数据准备 | 第49-53页 |
| 4.2 情感词典构建 | 第53-54页 |
| 4.3 支持向量机预测 | 第54-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 本研究总结 | 第57-58页 |
| 5.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |