基于社交媒体的股票预测模型
摘要 | 第3-4页 |
ABSTRACT | 第4页 |
第1章 绪论 | 第8-14页 |
1.1 课题的背景意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-11页 |
1.2.1 股价预测研究现状 | 第9-10页 |
1.2.2 自然语义分析研究现状 | 第10-11页 |
1.3 本文的研究内容 | 第11-14页 |
第2章 张量分析 | 第14-28页 |
2.1 引言 | 第14页 |
2.2 张量基础 | 第14-20页 |
2.2.1 张量概述 | 第14-15页 |
2.2.2 张量的数学表示 | 第15-19页 |
2.2.3 张量的基本运算 | 第19-20页 |
2.3 高阶奇异值分解 | 第20-25页 |
2.3.1 高阶奇异值分解的概念和意义 | 第20-21页 |
2.3.2 张量的CP分解 | 第21-23页 |
2.3.3 张量的Tucker分解 | 第23-25页 |
2.4 张量的应用 | 第25-26页 |
2.5 本章小结 | 第26-28页 |
第3章 基于张量的信息关联模型 | 第28-34页 |
3.1 引言 | 第28页 |
3.2 用张量对数据建模 | 第28-29页 |
3.3 张量嵌入学习 | 第29-30页 |
3.4 高阶张量岭回归 | 第30-33页 |
3.5 本章小结 | 第33-34页 |
第4章 信息收集处理及特征验证 | 第34-54页 |
4.1 引言 | 第34页 |
4.2 实验平台及信息来源 | 第34-36页 |
4.2.1 公开实验平台及信息来源 | 第34-35页 |
4.2.2 非公开实验平台及数据来源 | 第35-36页 |
4.3 信息收集爬虫实验 | 第36-38页 |
4.3.1 爬虫程序框架 | 第36-37页 |
4.3.2 爬虫结果处理 | 第37-38页 |
4.4 信息处理及分析 | 第38-43页 |
4.4.1 自然语言处理 | 第38-40页 |
4.4.2 文本预处理 | 第40页 |
4.4.3 特征变换 | 第40-42页 |
4.4.4 时间序列指数平滑 | 第42-43页 |
4.5 特征有效性检验 | 第43-52页 |
4.5.1 检验思路及测评指标 | 第43-44页 |
4.5.2 时间序列峰值检测 | 第44-46页 |
4.5.3 基于分类器的模型验证 | 第46-47页 |
4.5.4 评论语句情感分类 | 第47-48页 |
4.5.5 舆情分析与道琼斯指数 | 第48-50页 |
4.5.6 基于KNN算法和舆情分析预测股价 | 第50-52页 |
4.6 本章小结 | 第52-54页 |
第5章 基于张量信息关联模型股价预测实验 | 第54-60页 |
5.1 引言 | 第54页 |
5.2 实验数据 | 第54-55页 |
5.3 评价标准 | 第55页 |
5.4 语义分析实验结果分析 | 第55-56页 |
5.5 市场情绪有效性 | 第56页 |
5.6 交叉联合关系的探究和预测有效性 | 第56-57页 |
5.7 仿真交易 | 第57-58页 |
5.8 总结 | 第58-60页 |
参考文献 | 第60-64页 |
发表论文和参加科研情况说明 | 第64-66页 |
致谢 | 第66页 |