股价波动研究依赖分析金融新闻数据集浅层特征,而忽略了金融新闻句子中单词之间的结构关系,从而导致股价波动预测研究效果不佳。针对该问题,提出了一种基于双流长短时记忆网络(long short term memory network,LSTM)神经网络的股价趋势...股价波动研究依赖分析金融新闻数据集浅层特征,而忽略了金融新闻句子中单词之间的结构关系,从而导致股价波动预测研究效果不佳。针对该问题,提出了一种基于双流长短时记忆网络(long short term memory network,LSTM)神经网络的股价趋势预测模型(Sent2Vec-DLSTM)。该模型的创新之处在于:提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec;提出了新型的双流LSTM神经网络(Dual-stream LSTM,DLSTM)。在实验中,首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测,然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明,Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。展开更多
文摘股价波动研究依赖分析金融新闻数据集浅层特征,而忽略了金融新闻句子中单词之间的结构关系,从而导致股价波动预测研究效果不佳。针对该问题,提出了一种基于双流长短时记忆网络(long short term memory network,LSTM)神经网络的股价趋势预测模型(Sent2Vec-DLSTM)。该模型的创新之处在于:提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec;提出了新型的双流LSTM神经网络(Dual-stream LSTM,DLSTM)。在实验中,首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测,然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明,Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。
