| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 选题背景与研究意义 | 第13-14页 |
| 1.1.1 选题背景 | 第13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 关于IPO定价效率的研究 | 第14-16页 |
| 1.2.2 股票收益分析预测研究现状 | 第16页 |
| 1.2.3 投资者情感研究现状 | 第16-18页 |
| 1.3 文章结构 | 第18-19页 |
| 第2章 相关理论 | 第19-29页 |
| 2.1 概念简述 | 第19页 |
| 2.1.1 IPO抑价 | 第19页 |
| 2.1.2 投资者情感 | 第19页 |
| 2.2 文本挖掘关键技术 | 第19-27页 |
| 2.2.1 文本预处理 | 第19-20页 |
| 2.2.2 词库扩展 | 第20-21页 |
| 2.2.3 文本表示方法 | 第21-22页 |
| 2.2.4 TF/IDF权重计算 | 第22-23页 |
| 2.2.5 情感挖掘技术 | 第23-24页 |
| 2.2.6 机器学习方法 | 第24-27页 |
| 2.3 股票预期收益分析方法 | 第27-28页 |
| 2.3.1 基本面分析法 | 第27页 |
| 2.3.2 技术面分析法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于微博的投资者情感挖掘和分析方法 | 第29-41页 |
| 3.1 微博文本 | 第29-31页 |
| 3.1.1 数据预处理 | 第29-30页 |
| 3.1.2 特征选择 | 第30-31页 |
| 3.2 构建财经领域情感词典 | 第31-37页 |
| 3.2.1 SO-PMI算法 | 第31-33页 |
| 3.2.2 改进的SO-PMI算法 | 第33页 |
| 3.2.3 财经情感词典的生成 | 第33-34页 |
| 3.2.4 情感词典的存储结构 | 第34-37页 |
| 3.3 基于情感加权的投资者情感分析方法 | 第37-39页 |
| 3.3.1 语料训练 | 第37-38页 |
| 3.3.2 SVM训练 | 第38页 |
| 3.3.3 情感倾向加权计算方法 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 基于投资者情感的IPO收益预测方法的研究与实现 | 第41-47页 |
| 4.1 IPO预测的特征变量定义 | 第41-44页 |
| 4.1.1 被解释变量 | 第41页 |
| 4.1.2 解释变量 | 第41-42页 |
| 4.1.3 控制变量 | 第42-44页 |
| 4.2 多元线性回归预测模型 | 第44页 |
| 4.3 基于支持向量机的预测模型 | 第44-47页 |
| 4.3.1 支持向量机核函数选择 | 第45页 |
| 4.3.2 参数c和γ对支持向量机性能的影响 | 第45-46页 |
| 4.3.3 基于支持向量机的预测模型 | 第46-47页 |
| 第5章 实验结果及分析 | 第47-61页 |
| 5.1 实验环境及数据采集 | 第47页 |
| 5.1.1 实验环境 | 第47页 |
| 5.1.2 数据采集 | 第47页 |
| 5.2 评价标准 | 第47-49页 |
| 5.2.1 投资者情感分析评价标准 | 第47-48页 |
| 5.2.2 专家值 | 第48页 |
| 5.2.3 方差检验 | 第48-49页 |
| 5.3 参数选择 | 第49页 |
| 5.4 实验分析 | 第49-61页 |
| 5.4.1 投资者情感分析实验及结果 | 第49-52页 |
| 5.4.2 基于回归模型的IPO预测实验及结果 | 第52-57页 |
| 5.4.3 基于支持向量机模型的IPO预测实验及结果 | 第57-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |