基于事件驱动模型的股指预测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.1.1 与股市相关的新闻数据 | 第10-11页 |
| 1.1.2 与股市相关的情感数据 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 股票波动预测方法 | 第12-13页 |
| 1.2.2 多实例模型的应用 | 第13页 |
| 1.2.3 股票舆情特征提取方法 | 第13-15页 |
| 1.3 课题研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 1.5 本章总结 | 第17-18页 |
| 第二章 相关技术 | 第18-26页 |
| 2.1 受限玻尔兹曼机 | 第18页 |
| 2.2 WORD2VEC模型 | 第18-19页 |
| 2.3 主题模型LDA | 第19-22页 |
| 2.4 多实例学习 | 第22-23页 |
| 2.5 支持向量机(SVM) | 第23-25页 |
| 2.6 本章总结 | 第25-26页 |
| 第三章 基于主题模型的情感分析算法 | 第26-36页 |
| 3.1 LDA-S模型设计 | 第26-32页 |
| 3.1.1 LDA-S设计思想 | 第26-27页 |
| 3.1.2 LDA-S生成过程 | 第27-30页 |
| 3.1.3 LDA-S参数估计 | 第30-31页 |
| 3.1.4 LDA-S短文本友好性分析 | 第31-32页 |
| 3.2 LDA-S模型实现 | 第32-34页 |
| 3.2.1 雪球网数据清洗 | 第32页 |
| 3.2.2 文本分词 | 第32页 |
| 3.2.3 先验参数设置 | 第32-33页 |
| 3.2.4 情感特征提取 | 第33-34页 |
| 3.3 本章总结 | 第34-36页 |
| 第四章 基于多源数据多实例学习的股指预测模型 | 第36-52页 |
| 4.1 问题陈述 | 第36-37页 |
| 4.2 基于受限玻尔兹曼机的事件提取算法 | 第37-41页 |
| 4.2.1 新闻文本数据获取 | 第37-38页 |
| 4.2.2 新闻文本结构化处理 | 第38-39页 |
| 4.2.3 新闻文本向量化处理 | 第39-41页 |
| 4.3 情感特征和量化特征提取 | 第41-42页 |
| 4.4 M_MI股指预测模型设计流程 | 第42-50页 |
| 4.4.1 实例级预测算法 | 第43-44页 |
| 4.4.2 多源组级预测算法 | 第44-45页 |
| 4.4.3 多源超级组级预测算法 | 第45-46页 |
| 4.4.4 损失函数的设计 | 第46-50页 |
| 4.5 本章总结 | 第50-52页 |
| 第五章 股指预测模型性能评估 | 第52-62页 |
| 5.1 实验准备 | 第52-56页 |
| 5.1.1 实验数据及流程 | 第52-54页 |
| 5.1.2 对比算法 | 第54-55页 |
| 5.1.3 评价指标 | 第55-56页 |
| 5.2 实验结果 | 第56-60页 |
| 5.2.1 股指预测模型结果分析 | 第56-59页 |
| 5.2.2 特征提取有效性分析 | 第59-60页 |
| 5.3 本章总结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62-63页 |
| 6.2 后续研究展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的学术论文目录 | 第69页 |
