投资者情绪与中国股市联动性研究--基于行为大数据的经验检验
| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-15页 |
| 1.1.1 研究背景 | 第12-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 研究内容 | 第15-17页 |
| 1.3 研究创新点 | 第17-18页 |
| 第2章 文献综述 | 第18-30页 |
| 2.1 投资者情绪 | 第18-22页 |
| 2.1.1 投资者情绪的定义 | 第18-19页 |
| 2.1.2 投资者情绪的度量方法 | 第19-22页 |
| 2.2 投资者情绪与股票市场 | 第22-24页 |
| 2.3 社交媒体与股票市场 | 第24-28页 |
| 2.4 总体评价 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 研究设计 | 第30-41页 |
| 3.1 理论分析与研究假设 | 第30-31页 |
| 3.2 研究方案 | 第31页 |
| 3.3 变量定义 | 第31-32页 |
| 3.4 数据的获取 | 第32-39页 |
| 3.4.1 新浪微博情感分析的意义 | 第32-34页 |
| 3.4.2 微博数据采集技术 | 第34-36页 |
| 3.4.3 微博搜索关键词的提取 | 第36-39页 |
| 3.4.4 微博数据的获取 | 第39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于微博的投资者情绪分析 | 第41-51页 |
| 4.1 研究问题的提出 | 第41页 |
| 4.2 模型介绍 | 第41-45页 |
| 4.2.1 LDA模型简介 | 第41-43页 |
| 4.2.2 基于LDA模型的主题生成 | 第43-44页 |
| 4.2.3 基于LDA的主题的演化 | 第44-45页 |
| 4.3 微博文本预处理 | 第45-48页 |
| 4.3.1 微博文本分词 | 第45页 |
| 4.3.2 微博文本去停用词 | 第45-46页 |
| 4.3.3 基于LDA主题模型的微博主题生成 | 第46-48页 |
| 4.4 基于微博主题的投资者情绪量化 | 第48-50页 |
| 4.4.1 情绪关键词的提取 | 第48-49页 |
| 4.4.2 投资者情绪量化 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 投资者情绪与上证综指市场表现的实证研究 | 第51-69页 |
| 5.0 研究问题的提出 | 第51页 |
| 5.1 数据的描述性统计 | 第51-54页 |
| 5.1.1 上证综指的描述性统计 | 第51-53页 |
| 5.1.2 投资者情绪值的描述性统计 | 第53-54页 |
| 5.2 投资者情绪与上证综指市场表现的相关性分析 | 第54-60页 |
| 5.2.1 简单相关性分析 | 第54-55页 |
| 5.2.2 时差相关性分析 | 第55-60页 |
| 5.3 格兰杰因果检验 | 第60-62页 |
| 5.4 基于投资者情绪的上证综指收益率预测 | 第62-67页 |
| 5.4.1 支持向量机回归 | 第62-64页 |
| 5.4.2 基于支持向量机回归预测模型比较 | 第64-67页 |
| 5.5 本章小结 | 第67-69页 |
| 第6章 结论与展望 | 第69-72页 |
| 6.1 研究结论及建议 | 第69-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 攻读学位期间取得的学术成果 | 第78-79页 |
| 致谢 | 第79页 |
