基于微博舆情的股票高频交易分析技术研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第7-17页 |
| 1.1 研究背景与选题意义 | 第7-9页 |
| 1.2 国内外研究综述 | 第9-13页 |
| 1.3 本文的研究内容 | 第13-17页 |
| 第二章 股票高频交易影响因素及舆情传导机制分析 | 第17-29页 |
| 2.1 传统金融学研究内容分析 | 第17-21页 |
| 2.2 高频交易的影响因素分析 | 第21-25页 |
| 2.3 高频交易的舆情传导机制 | 第25-27页 |
| 2.4 高频交易研究存在的问题 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于微博舆情的股票高频交易分析技术研究 | 第29-51页 |
| 3.1 股票高频交易的微博舆情特征 | 第29-33页 |
| 3.1.1 高频交易特征分析 | 第29-30页 |
| 3.1.2 微博网络传播方式 | 第30-32页 |
| 3.1.3 微博情感传导机制 | 第32-33页 |
| 3.2 微博数据处理及情感特征分析 | 第33-39页 |
| 3.2.1 微博情感数据集获取 | 第33-35页 |
| 3.2.2 表情符号情感分类 | 第35-36页 |
| 3.2.3 微博数据NLP处理 | 第36-38页 |
| 3.2.4 证券情感词典扩充 | 第38-39页 |
| 3.3 基于机器学习的微博情感计算 | 第39-47页 |
| 3.3.1 统计机器学习 | 第39-40页 |
| 3.3.2 特征向量的生成 | 第40-42页 |
| 3.3.3 SVM机器学习算法 | 第42-45页 |
| 3.3.4 微博情感计算分析框架 | 第45-47页 |
| 3.4 基于微博舆情的高频交易分析 | 第47-50页 |
| 3.4.1 股票高频交易分析技术 | 第47-48页 |
| 3.4.2 微博与高频交易的建模研究 | 第48-49页 |
| 3.4.3 情感计算为依据的分析模型 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于微博舆情的股票高频交易软件系统设计 | 第51-59页 |
| 4.1 建模软件系统框架 | 第51-53页 |
| 4.2 模型的流程设计 | 第53-56页 |
| 4.2.1 微博数据获取 | 第53-54页 |
| 4.2.2 情感计算流程 | 第54-55页 |
| 4.2.3 模型分析流程 | 第55-56页 |
| 4.3 模型的运行模式 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 基于微博舆情的股票高频交易分析实证应用 | 第59-69页 |
| 5.1 实验数据选择与获取 | 第59-61页 |
| 5.1.1 样本数据选择 | 第59-60页 |
| 5.1.2 实验数据获取 | 第60-61页 |
| 5.2 实验过程与结果 | 第61-64页 |
| 5.2.1 自然语言处理实验结果 | 第61-62页 |
| 5.2.2 基于SVM分析模型实验 | 第62-64页 |
| 5.3 模型部分软件功能实现 | 第64-68页 |
| 5.3.1 部分功能说明 | 第64-66页 |
| 5.3.2 实证检验结果 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 本文的总结与展望 | 第69-71页 |
| 6.1 论文研究总结 | 第69-70页 |
| 6.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
