基于预期偏差的突发金融文本分类方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景、目的及意义 | 第9-10页 |
| 1.2 国内外相关研究及分析 | 第10-13页 |
| 1.2.1 金融文本分类方法的研究现状 | 第10-11页 |
| 1.2.2 结合新闻的股票风险预测研究现状 | 第11-12页 |
| 1.2.3 问题的总结与简析 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 金融文本分类相关技术概述 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 文本内容处理 | 第15-19页 |
| 2.2.1 中文分词 | 第15-17页 |
| 2.2.2 文本表示技术 | 第17-18页 |
| 2.2.3 文本降维方法 | 第18-19页 |
| 2.3 文本分类方法及评价指标 | 第19-23页 |
| 2.3.1 常用的传统文本分类方法 | 第19-22页 |
| 2.3.2 文本分类评价指标 | 第22-23页 |
| 2.4 文本的聚类方法 | 第23-27页 |
| 2.4.1 K-means文本聚类 | 第24-25页 |
| 2.4.2 基于LDA主题模型的聚类 | 第25-27页 |
| 2.5 股票波动及强扰动定义 | 第27-28页 |
| 2.5.1 股票波动量化 | 第27页 |
| 2.5.2 强扰动定义 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于预期偏差的金融文本分类 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 预期偏差的提出 | 第29-30页 |
| 3.3 突发新闻文本过滤方法 | 第30-32页 |
| 3.3.1 强扰动共振过滤 | 第30-32页 |
| 3.3.2 K-means聚类过滤 | 第32页 |
| 3.4 基于LDA的主题匹配度计算 | 第32-36页 |
| 3.4.1 新闻文本LDA主题聚类 | 第32-35页 |
| 3.4.2 新闻文本主题匹配度计算 | 第35-36页 |
| 3.5 基于词典的新闻偏差程度计算 | 第36-38页 |
| 3.5.1 词典构建 | 第36页 |
| 3.5.2 新闻偏差程度计算 | 第36-38页 |
| 3.6 基于预期偏差的文本分类算法 | 第38-40页 |
| 3.6.1 分类模型构建 | 第38页 |
| 3.6.2 分类算法流程 | 第38-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 实验验证及结果分析 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 实验环境 | 第41页 |
| 4.3 实验数据来源与预处理 | 第41-46页 |
| 4.3.1 新闻文本共振过滤 | 第42-43页 |
| 4.3.2 新闻文本聚类过滤 | 第43-44页 |
| 4.3.3 新闻文本分类类别 | 第44-45页 |
| 4.3.4 股票波动处理 | 第45-46页 |
| 4.4 基于预期偏差的文本分类预测 | 第46-50页 |
| 4.4.1 主题聚类对结果的影响 | 第46-48页 |
| 4.4.2 新闻文本分类预测 | 第48-50页 |
| 4.5 实验结果及其分析 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59页 |
