融合社交情感分析的股市预测探究

针对现有股市预测研究中所存在的大众情感度量不够全面的问题,提出了一种基于社交情感分析的股市预测模型. 该模型首先基于异构图模型的证券情感量化方法对社交媒介的数据进行情感分析,得到量化的情感时间序列;然后,基于自组织神经网络模型对情感序列及行情指数序列进行建模,从而对股票指数进行预测. 在国内社交媒介及股市行情数据集上的实验结果表明,本文所建立的模型在预测误差和精度上较BP（Back Propagation）神经网络分别提升了15%和12%,能更好地预测股票指数.     

基于社交媒体文本信息的金融时序预测

针对传统股票趋势预测模型中忽略社交媒体文本信息对股价变化的影响和时间序列的平稳性处理、长期依赖等问题,提出一种融合社交媒体文本信息和LSTM的股票趋势预测模型(BiTCN-LSTM).该模型分为情感分析和金融时序预测两部分.情感分析层将社交媒体文本信息输入到双向时间卷积网络进行特征提取和情感分析,得到积极或者消极的情感分类表示;金融时序预测层使用LSTM神经网络,将差分运算后的股票历史数据和文本情感特征向量加权融合作为网络输入,完成金融时序预测任务.通过上海证券综合指数数据集的实验验证,与传统金融时序预测模型相比,该模型的RMSE指标降低3.44-43.62.     

融合结构化信息与时序演化信息的多变量间歇性时间序列预测

复杂装备制造企业的售后配件需求不定时发生、需求波动大,导致需求数据呈现典型的间歇性、小样本特点.当面对间歇性程度高、突发需求较大的序列时,现有预测模型难以准确捕获其需求波动规律,无法有效预测配件需求走势.为提高多组配件的预测精度和稳定性,同时考虑序列间结构化信息和序列自身时序演化信息,提出一种新的多变量间歇性时间序列预测方法.首先,提出一种基于张量的轻型梯度提升机模型,通过张量分解,重构原始需求数据,修正序列中的异常需求值,并利用轻型梯度提升机对多组序列进行联合预测;然后,构建一种新的线性衰减修正模型,将修正因子引入线性衰减指数平滑方法,对每条序列分别预测需求量和间隔区间;最后,将2个预测模型进行加权融合,得到最终预测结果.分别在2个复杂装备制造企业的售后配件需求数据集上进行实验验证,实验结果表明,与多个时间序列预测算法相比,所提出方法能够有效预测需求波动趋势,提升预测精度和数值稳定性.     

基于MODWT在金融数据预测的应用

为了准确的把握股价的趋势走向,提出了一种基于极大重叠离散小波变换(MODWT)时间序列分析的股价预测方法(M-ARMA).该方法是对股价时间序列利用mallat算法对其进行极大重叠离散小波变换,使得整个序列分解成不同频率的序列,同时利用小波分析在时域和频域上都具有良好的局部化性质,多尺度分析功能,结合ARMA模型的预测方法,以较为准确地根据历史数据预测其将来短期的走势.实验表明,MODWT时间序列分析方法比传统的时间序列分析方法预测的精度更高.     

时间序列短期趋势信号模型研究

时间序列是按固定的时间问隔对数据采样,按照时间顺序依次排列的一组被观测数据或信息.随着我国金融证券市场的不断发展和日渐完善,金融时间序列的研究对金融投资者具有越来越重要的意义,受到越来越多的研究者和投资者的关注.文中的研究目的是通过金融时间序列的短期的趋势信号估计金融时间序列的短期趋势,提出短期趋势为信号的模型,用最小二乘法对所估计出的短期趋势建立趋势模型,并做了短期趋势信号的模型的实证研究.通过对上证A股的时间序列进行实证分析,实验表明所建立的模型是有效的,能够为投资者提供参考.     

一种基于股票情感分析的股市趋势预测方法

随着互联网应用的飞速发展和用户人数的急剧增长,股市评论与观点在很大程度上反映了股市行情,也影响着股市涨跌。因此,如何快速高效地分析到网民对股市的态度和观点,对股市预测具有很大指导意义。论文研究通过分析不同专业人士发布股评的情感极性来预测股票上涨与下跌趋势。提出了一种综合金融词组词典和结尾段加权的情感分析方法,能解决情感字典分析方法对领域依赖性问题,有效地提高了情感分析准确度。另外,论文还提出了一种加窗的股票预测模型,可用于分析预测事件窗口的最佳值。实验结果表明,基于股评情感分析来预测特定股票上涨或下跌趋势具有较好效果。     

基于FinBERT-CNN的股吧评论情感分析方法

我国股市波动受投资者情绪变化影响较大,通过对股吧等金融交流平台上投资者的评论进行情感分析,能够帮助投资者更好地了解股票市场的变化.现有的情感分析方法是利用模型对股票评论集进行分析,但缺少优质的股票评论标注数据集用于模型训练,且单一模型提取股票评论特征较为片面,模型的准确性有待提高.该文针对股吧平台上的评论数据,提出一种...     

基于CBP的卷烟销售二重趋势时间序列预测模型研究与应用

二重趋势时间序列的预测结果与其整体趋势变动性和季节波动性的特征有较大的关系,在采用神经网络并针对其特征的基础上还没有较好的预测方法.本文以圆形反向传播网络(CBP)为基础,提出二重趋势时间序列预测组合模型(CCBP),即根据二重趋势时间序列特征对其趋势分量与周期分量采用圆形反向传播网络分开进行预测,再对二者积乘.以云南省某片区若干卷烟销售网点的采样数据为研究实例,证实了CCBP模型在二重趋势时间序列预测方面性能有所提高.     

基于民调与网民情感倾向性的选情预测模型

为接近真实民意,提高选举预测的准确性,提出融合民调与网民情感倾向性的选情预测模型。针对民调数据,利用基于时间序列的数据修正模型减小民调机构的倾向性,并利用反向归一化方法推理民调数据中未表态人群的政治倾向;针对社交网络数据,基于网民情感分类量化模型进行选情预测;提出基于熵值法的选情融合预测模型,利用熵值法融合修正的民调信息与网民情感倾向性信息预测选举结果。以某地区真实历史选举结果为基准的实验表明,所提模型在准确率和平均相对误差指标上优于民调结果或网民情感分析结果。     

一种基于ARIMA模型与3 σ准则的取水异常检测方法

为提高取水预测数据的准确性,针对现有部分取水数据异常且难以进行人工判别的问题,提出一种基于ARIMA模型与3σ 准则的取水异常检测方法.分析每个取水点每年的日取水量的时间序列数据,使用时间序列的ARIMA模型和高斯分布的3σ 准则判断日取水量是否为异常值;通过时间序列分解算法分析异常值附近取水点的趋势,判断异常值附近是...     

Hybrid sentiment classification on twitter aspect-based sentiment analysis

Social media sites and applications, including Facebook, YouTube, Twitter and blogs, have become major social media attractions today. The huge amount of information from this medium has become an attractive resource for organisations to monitor the opinions of users, and therefore, it is receiving a lot of attention in the field of sentiment analysis. Early work on sentiment analysis approached this problem at a document-level, where the overall sentiment was identified, rather than the details of the sentiment. This research took into account the use of an aspect-based sentiment analysis on Twitter in order to perform a finer-grained analysis. A new hybrid sentiment classification for Twitter is proposed by embedding a feature selection method. A comparison of the accuracy of the classification by the principal component analysis (PCA), latent semantic analysis (LSA), and random projection (RP) feature selection methods are presented in this paper. Furthermore, the hybrid sentiment classification was validated using Twitter datasets to represent different domains, and the evaluation with different classification algorithms also demonstrated that the new hybrid approach produced meaningful results. The implementations showed that the new hybrid sentiment classification was able to improve the accuracy performance from the existing baseline sentiment classification methods by 76.55, 71.62 and 74.24%, respectively.     

Generate domain-specific sentiment lexicon for review sentiment analysis

Multimedia Tools and Applications - Lexicon-based approaches for review sentiment analysis have attracted significant attention in recent years. Lots of sentiment lexicon generation methods have...     

融入情感和话题信息的中文方面级情感分析

近年来的方面级情感分析模型应用图卷积神经网络（GCN）学习语句的语法结构信息,但是在建模时忽略了已知情感词信息和评论所属的已知话题环境,渐渐不能满足中文社交网络情感分析需求。针对以上问题,提出一种基于词典和深度学习软融合的字词双通道模型（2D-SGCN）。该模型首先基于基础情感词典扩展得到微博领域词典,获得领域适用性的情感词;其次使用预训练模型获得字、词初始特征向量,并在字维度融入方面词和话题信息,分别使用Bi-LSTM和融入情感信息的GCN（SGCN）学习全局与局部信息;应用注意力机制得到方面词最终特征并进行多维度融合;最后将话题和方面词结合进行分类纠正。在SemEval-2014的Restaurant数据集上F▼1为73.67%,在NLPCC2012数据集上F▼1为91.5%,证明了该模型的有效性。     

基于情感时序距离和转折同化的文本情感分类

考虑到中文评价文本的整体情感倾向性与其表达的情感顺序有很大关系,且在具有情感倾向的中文文本中,越是靠近文本最后所表达的情感倾向,对于整个文本的情感分类影响越大。因此对于情感倾向表达不明显或者表达不单一的短文本,通过考虑文本中情感节点出现的顺序以及情感转折同化来对文本进行情感分类。在来自某购物网站爬取的中评评价文本数据集上的实验结果显示,提出的分类方法明显高于单纯基于词特征的支持向量机（SVM）分类器。     

融合情感词典与上下文语言模型的文本情感分析

词嵌入技术在文本情感分析中发挥着重要的作用,但是传统的Word2Vec、GloVe等词嵌入技术会产生语义单一的问题。针对上述问题提出了一种融合情感词典与上下文语言模型ELMo的文本情感分析模型SLP-ELMo。首先,利用情感词典对句子中的单词进行筛选;其次,将筛选出的单词输入字符卷积神经网络（char-CNN）,从而产生每个单词的字符向量;然后,将字符向量输入ELMo模型进行训练;此外,在ELMo向量的最后一层加入了注意力机制,以便更好地训练词向量;最后,将词向量与ELMo向量并行融合并输入分类器进行文本情感分类。与现有的多个模型对比,所提模型在IMDB和SST-2这两个数据集上均得到了更高的准确率,验证了模型的有效性。     

基于汉语情感词表的句子情感倾向分类研究

提出了一种基于汉语情感词词表的加权线性组合的句子情感分类方法。该方法通过已有的五种资源构建了中文情感词词表,并采用加权线性组合的句子情感分类方法对句子进行情感类别判断。实验结果表明,直接利用词汇语言粒度的句子情感分类综合F值为78.62％,若加入了否定短语语言粒度后,句子情感分类的综合F值提高了4.14％。     

基于主题情感句的汉语评论文倾向性分析*

提出一种基于主题情感句的汉语评论文倾向性分析方法.根据评论文的特点,采用一种基于n元词语匹配的方法识别主题,通过对比与主题的语义相似度和进行主客观分类抽取出候选主题情感句,计算其中相似度最高的若干个句子的情感倾向,将其平均值作为评论文的整体倾向.基于主题情感句的评论文倾向性分析方法避免了进行篇章结构分析,排除了与主题无...     

基于情感词汇与机器学习的方面级情感分类

为综合利用基于情感词典和基于机器学习的两类情感分类方法的优点,提出一种基于情感词汇与机器学习的方面级情感分类方法。通过选取少量情感倾向与评价对象无关的情感词汇对评价搭配进行情感分类;通过构建机器学习分类器,以评价短语对各类别的互信息占比作为分类器的分类概率权重,进行加权计算,选择加权后分类概率最大的类别作为评价搭配的情感倾向类别。在中文评论数据集上的实验结果表明,该方法能有效提高情感分类性能。     

Word-level neutrosophic sentiment similarity

In the specializedliterature, there are many approaches developed for capturing textual measures: textual similarity, textual readability and textual sentiment. This paper proposes a new sentiment similarity measures between pairs of words using a fuzzy-based approach in which words are considered single-valued neutrosophic sets. We build our study with the aid of the lexical resource SentiWordNet 3.0 as our intended scope is to design a new word-level similarity measure calculated by means of the sentiment scores of the involved words. Our study pays attention to the polysemous words because these words are a real challenge for any application that processes natural language data. After our knowledge, this approach is quite new in the literature and the obtained results give us hope for further investigations.