Please enable JavaScript.

Coggle requires JavaScript to display documents.

深度学习在股市预测中的应用 - Coggle Diagram

- - - - 价格
      - 成交量
    - - 新闻
      - 社交媒体
    - - 知识图谱（企业图谱）
      - 图像数据（K线图）
  - - - 涨
      - 跌
    - - 价格
  - - - 追踪美国500家大型上市公司的股票表现，覆盖约80%的美国股市总市值
      - 成分股的权重由其市值决定，市值越大的公司（如苹果、微软）对指数影响越大
    - - 覆盖上交所所有上市股票（A股和B股），是衡量中国股市整体走势的“风向标”
      - 成分股权重由总市值决定，大型国有企业和金融股（如工商银行、中国石油）对指数影响显著
- - - - KNN
        
        基本假设：相似的数据点在特征空间中彼此靠近
        
        计算距离
        
        选择邻居
        
        统计多数类别的标签 / 取目标值的平均值
      - 小波变换
        
        将信号分解为不同频率的子带，保留低频趋势（主趋势），提出高频噪声
    - - 技术指标
      - 词嵌入
    - - 滚动窗口法
        
        窗口长度固定
        
        只保留最新数据
        
        更关注近期变化，适应短期波动
        
        计算成本较低
      - 扩展窗口法
        
        逐步增加窗口长度
        
        保留所有历史数据
        
        捕捉长期数据，积累更多的历史信息
        
        计算成本较高（数据量会随着时间增长）
  - - - LSTM
      - BiLSTM
      - GRU
        
        用于处理序列数据的循环神经网络（RNN）变体
        
        旨在解决传统RNN的梯度消失/爆炸问题，同时简化结构以提高训练效率
    - - 图像化技术指标
      - 文本特征提取
    - - CNN-LSTM
        
        混合模型，提升性能
      - 注意力机制
    - - GAN
        
        生成合成数据，增强训练
      - 图神经网络（GNN）
        
        建模企业关联，强化学习优化交易策略
  - - - 准确率
      - F1
        
        准确率和召回率的调和平均数，用于综合评估分类模型在少数类的性能
      - AUC
        
        衡量分类模型在不同分阙值下的整体性能
    - - RMSE
      - MAE
    - - 夏普比率
      - 最大回撤
- - - - 研究案例
        
        hu et al.2018
        
        新闻情感分析 + LSTM
        
        标普500预测准确率提升8%
        
        Xu & Cohen 2018
        
        注意力机制 + 多源数据融合
        
        与传统的LSTM模型误差降低12%
        
        Liu et al. 2019
        
        词嵌入 + 知识图谱
        
        行业关联预测F1分数达到0.76
        
        Mohan et al. 2019
        
        NLTK 情感分析 + ARIMA
        
        股价方向预测准确率72%
      - 核心技术
        
        Word Embedding词嵌入
        
        定义：将词语映射为低纬稠密向量，捕捉语义关联
        
        应用：将金融新闻中的关键词（如“财报超预期”新闻标题），生成事件表示辅助预测
        
        Word2Vec \ GloVe \ FastText
        
        Sentiment Analysis情感分析
        
        定义：判断文本情感倾向（正/负/中性）
        
        LSTM \ SVM
        
        情绪驱动的股价预测
        
        Step1: 爬取财经新闻、社交媒体文本（Twitter，股吧评论）
        
        新闻数据：包括财经新闻、公司公告等，用于捕捉市场情绪和市场影响
        
        社交媒体：Twitter、微博等，分析公众情绪于市场热度的关联
        
        研究报告：投行分析、行业报告，提取专业观点与预测信号
        
        Step2: 使用情感分析模型（FinBERT，金融领域预训练模型）计算情感得分
        
        FinBERT：专用于金融文本的BERT变体
        
        1 more item...
        
        Step3: 将情感得分作为特征输入LSTM或Transformer模型，预测未来价格走势
        
        Sentiment Polarity Analysis情感极性分析
        
        核心目标：判断文本情感是正面、负面还是中性（分类问题）
        
        离散标签（positive \ negative \ neutral)
        
        定性判断情感方向
        
        区分
        
        1 more item...
        
        事件驱动的股价波动捕捉
        
        Step1：通过NER识别文本中的特定事件（“公司财报发布”等）
        
        情感因子（市场情绪量化指标）
        
        Step2: 构建事件知识图谱，建模事件与股价的关联（使用图神经网络GNN）
        
        Step3: 结合时间序列模型（LSTM）预测时间对股价的短期冲击
        
        BERT \ RoBERTa(上下文感知）
        
        NER, Named Entity Recognition 命名实体识别
        
        定义：识别文本中的特定实体
        
        应用：从新闻中提取“公司并购”，标记为影响股价的关键事件
        
        BiLSTM-CRF \ BERT-NER
        
        Topic Modeling主题建模
        
        定义：发现文本中的潜在主题
        
        应用：聚类财报电话会议记录，识别影响股价的宏观主题
        
        LDA \ BERTopic
        
        Text Summariztion 文本摘要
        
        定义：生成文本的简洁摘要
        
        应用：压缩长篇研报内容，快速提取关键信息输入预测模型
        
        抽取式 \ 生成式