新闻事件驱动的市场预测研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景和意义 | 第11-20页 |
| 1.1.1 金融市场的预测问题 | 第11-13页 |
| 1.1.2 时间序列 | 第13-14页 |
| 1.1.3 文本挖掘 | 第14-16页 |
| 1.1.4 情感分析技术 | 第16-18页 |
| 1.1.5 语义分析与句法分析 | 第18-20页 |
| 1.2 国内外研究现状 | 第20-21页 |
| 1.3 目前存在的问题 | 第21页 |
| 1.4 研究内容及工作 | 第21-22页 |
| 1.5 论文内容 | 第22-23页 |
| 第二章 相关理论技术 | 第23-33页 |
| 2.1 时间序列分析 | 第23-27页 |
| 2.1.1 分析流程 | 第23页 |
| 2.1.2 建模步骤 | 第23-24页 |
| 2.1.3 典型模型 | 第24-27页 |
| 2.1.4 特点与应用 | 第27页 |
| 2.2 情感分析算法 | 第27-32页 |
| 2.2.1 TF-IDF 技术 | 第27-29页 |
| 2.2.2 LR 算法 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于规则的汉语微博情感分析 | 第33-51页 |
| 3.1 网络信息的获取和预处理 | 第33-36页 |
| 3.1.1 微博文本的特殊性 | 第33-34页 |
| 3.1.2 微博数据获取 | 第34页 |
| 3.1.3 数据预处理 | 第34-36页 |
| 3.2 文本数据的情感分析 | 第36-49页 |
| 3.2.1 情感分析概述 | 第36-38页 |
| 3.2.2 中文分词技术 | 第38-42页 |
| 3.2.3 规则集 | 第42页 |
| 3.2.4 LR 状态构造 | 第42-44页 |
| 3.2.5 LR 分析表 | 第44-45页 |
| 3.2.6 LR 分析过程 | 第45-46页 |
| 3.2.7 句法分析树 | 第46-48页 |
| 3.2.8 情感权值时间序列 | 第48-49页 |
| 3.3 本章小结 | 第49-51页 |
| 第四章 NARX 时间序列模型 | 第51-55页 |
| 4.1 神经网络与时间序列分析 | 第51-52页 |
| 4.1.1 人工神经网络概述 | 第51-52页 |
| 4.1.2 神经网络在时间序列分析中的优势 | 第52页 |
| 4.2 NARX 模型 | 第52-53页 |
| 4.3 基于神经网络的 NARX 时间序列模型 | 第53-55页 |
| 第五章 股票指数分析与预测 | 第55-59页 |
| 5.1 数据准备 | 第55页 |
| 5.2 情感分析 | 第55-56页 |
| 5.3 NARX 时间序列模型 | 第56-57页 |
| 5.4 实验结果 | 第57-59页 |
| 第六章 结束语 | 第59-62页 |
| 6.1 论文主要工作 | 第59-60页 |
| 6.2 论文核心内容 | 第60页 |
| 6.3 未来工作展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间已发表或录用的论文 | 第69-71页 |
