SCONV: A Financial Market Trend Forecast Method Based on Emotional Analysis
-
摘要: 股票市场是国家经济发展的重要组成部分，也是与我们日常生活息息相关的一个市场，股民的情绪一定程度上可以作为影响股票价格的因素之一.提出一种基于ConvLstm(convolutional long short term memory)的股票情感分析价格预测的深度学习模型SCONV(semantic convolutional).该模型通过爬取股民评价，使用LSTM(long short term memory)模型并通过word2vec，进行情感分析，提取情感向量，并得出每一日的情感权重.随后将每日股价分别与对应前1日、前3日均值、前一周均值的情感权重与股票价格一起放入ConvLstm中进行训练，再使用叠加的一层LSTM来增加准确率，并在ConvLstm与增加的LSTM之间增加dropout层，来避免过拟合.实验数据采用了3年左右阿里巴巴(BABA.us)、1.5年左右平安银行(000001.sh)、5个月左右格力电器(000651.sz)，实验结果表明:相比一些传统模型，SCONV在较小的样本集上依旧可以更好地预测股票价格的走势.Abstract: The stock market plays a critical role in the economic development of countries, and it is also a market closely related to our daily life. The sentiment of shareholders may be judged as one of the factors affecting the stock price. This paper proposes a deep learning model of stock sentiment analysis price prediction based on convolution long short-term memory, named semantic convolution (SCONV). The model utilizes long short-term memory model and word2vec to analyze the emotion, extracts emotion vector, and to calculate the emotion weight of each day. Then we put the corresponding weights of the daily stock prices respectively to the average of the previous day, the previous three days, and the average of the previous week, together with the stock price into the ConvLstm. There is a dropout between ConvLstm and the increased LSTM to avoid over-fitting. In this paper, BABA.us, 000001.sh, 000651.sz are used as experimental data. BABA.us about 3 years, 000001.sh about 1.5 years and 000651.sz about 5 months are respectively implemented in the experiment. Compared with traditional models, the experimental results show that SCONV is still able to predict more precisely the trend of the stock price on a smaller sample set.
-
-
期刊类型引用(20)
1. 韩溥. 一种安全可靠的虚拟化智能弹性架构IRF教育网络设计. 网络安全技术与应用. 2025(03): 15-18 . 
百度学术
2. 蒋燕，周彬彬，姚文才，王有香，陈凯，马玮骏，李胜，殷峻暹. 接收方发起的电站数据上报控制方法研究. 中国农村水利水电. 2024(03): 238-243+249 . 百度学术
3. 梅道光，王丽. 数据中心综合监控系统延迟问题分析及应对策略研究. 信息技术与信息化. 2024(04): 71-76 . 百度学术
4. 李仁刚，王彦伟，郝锐，肖麟阁，杨乐，杨广文，阚宏伟. Direct xPU：一种新型节点间通信优化的分布式异构计算架构. 计算机研究与发展. 2024(06): 1388-1400 . 本站查看
5. 蒋万春，李昊阳，陈晗瑜，王洁，王建新，阮昌. 网络拥塞控制方法综述. 软件学报. 2024(08): 3952-3979 . 百度学术
6. 农佳明，陈孟臻. 基于流量延时调度的无线传感网数据传输拥塞控制方法. 传感技术学报. 2024(08): 1441-1447 . 百度学术
7. 关世杰，王国靖. 基于状态确认的卫星链路拥塞控制算法研究. 沈阳理工大学学报. 2023(04): 15-18+25 . 百度学术
8. 高凯辉，李丹. 数据中心网络性能保障研究综述. 电信科学. 2023(06): 1-21 . 百度学术
9. 胡晋彬，罗望卿，王进. 基于NS-3的计算机网络传输实验教学方案设计. 软件导刊. 2023(06): 187-190 . 百度学术
10. 张磊，袁鉴辞，李静. 基于物联网技术的医学装备质控管理平台设计. 电子设计工程. 2023(17): 164-168 . 百度学术
11. 胡晋彬，黄家玮，王建新，王进. 基于直接拥塞通告的数据中心无损网络传输控制机制. 电子学报. 2023(09): 2355-2365 . 百度学术
12. 李佳琦，周书杰，曹成茂. 面粉存储智能仓库控制系统设计与试验. 中国农机装备. 2023(09): 29-35 . 百度学术
13. 马力文，周颖. 改善STARTUP阶段空窗现象的BBR单边适应算法. 计算机科学. 2022(02): 321-328 . 百度学术
14. 孙华宝. 基于SDN的云计算网络模型设计. 信息与电脑(理论版). 2022(07): 50-52 . 百度学术
15. 涂聪，陈庆奎. 面向AI数据流处理的边缘GPU集群通信系统. 小型微型计算机系统. 2022(06): 1147-1153 . 百度学术
16. 包红林，李敏，邵志东，张代兰. 面向大规模地震数据并行处理高速可扩展通信技术应用研究. 石油物探. 2022(05): 793-800 . 百度学术
17. 黄端琼. 福建省海洋与渔业大数据中心建设初探. 海洋信息技术与应用. 2022(04): 32-37 . 百度学术
18. 林霄，姬硕，岳胜男，孙卫强，胡卫生. 面向跨数据中心网络的节点约束存储转发调度方法. 计算机研究与发展. 2021(02): 319-337 . 本站查看
19. 张媛媛，姚晋. 一种高可靠网络的设计与实现. 数字通信世界. 2021(04): 15-18 . 百度学术
20. 管春泓. 云计算背景下数据中心网络架构设计研究. 信息系统工程. 2021(12): 97-100 . 百度学术
其他类型引用(31)
计量
- 文章访问数: 1626
- HTML全文浏览量: 4
- PDF下载量: 980
- 被引次数: 51
下载:
