基于卡方特征和BTM融合的短文本分类方法

针对短文本特征稀疏、上下文依赖而导致的传统文本分类法应用效果不佳的问题,提出一种基于卡方特征和BTM的短文本分类法.首先提取短文本的卡方特征,再利用BTM对短文本建模,获得对应的文档-话题概率特征,最后融合两种特征并基于SVM分类算法实现短文本分类.实验结果表明,相比于常规分类方法,该方法具有较高的Macro-F1值,对短文本的分类具有良好的效果.

基于GRU-RNN的股票趋势预测模型

随着深度学习技术和金融市场的快速发展,股票投资已经成为人们获取收益的重要方式。股票趋势预测是指将每日收盘价随时间变化的数据视作一个时间序列,根据历史时交易数据的变化规律来预测未来的趋势,是投资者获取收益、企业管理经营和国家调整宏观策略控制通货膨胀的关键,但股价的波动具有很强的变化随机性和不稳定性。研究表明传统的统计学和机器学习方法难以挖掘股价波动背后的深层次规律,存在一定局限性使得预测效果不佳,因此训练深度神经网络进行预测是很有必要的。在本文中首先对国内股票市场的趋势分析方法进行对比分析,借助财经数据包Tushare获取了数十支沪深300指数成分股数据并进行预处理,调用Python股票量化指标库Stockstats和技术分析库TA-Lib计算各类技术指标,形成一套完整的多指标特征体系。在初始特征空间上基于加入门控循环单元的循环神经网络、前馈神经网络和卷积神经网络来预测股价的上涨、下跌和震荡的三种情况,使用准确率和科恩kappa系数来评估模型,实验结果表明在选取的十支股票上加入门控循环单元的循环神经网络GRU-RNN效果最佳,预测的平均准确率为82.7%,科恩kappa系数为0.663,体现出该模型在构建的多指标特征体系下能够有效提取时间序列型股票数据内在信息。为进一步优化最佳模型的预测结果我们使用卡方特征选择方法来简化特征空间,结果表明筛选后的特征预测效果进一步提升,是对于预测股价波动情况最关键的特征集合。