运用数据挖掘技术和新闻情绪分析预测股市行为.pptxVIP

20XX运用数据挖掘技术和新闻情绪分析预测股市行为XXXX-目录CONTENTS1介绍情感模型分类的相关性52微光相关工作6V.结论3提出的模型参考文献74增值实验与评价运用数据挖掘技术和新闻情绪分析预测股市行为本研究旨在建立一个有效的小误差比预测股市未来趋势的模型，提高预测精度。该预测模型是基于对金融新闻和历史股市价格的情绪分析。该模型通过考虑与市场和公司相关的多种类型的新闻，提供了比以往所有研究更好的准确性结果。我们使用了一个包含来自三家公司的股票价格的数据集第二步将新闻的极性和历史股票价格结合在一起来预测未来的股票价格，这将预测精度提高到了89.80%摘要股票市场预测因其在经济中的重要作用，已成为一个有吸引力的研究课题。为了避免投资风险，人们迫切需要揭示股票市场在未来的行为。股票市场产生的大量数据被认为是投资者的知识宝库第一步是利用朴素贝叶斯算法分析新闻情绪，得到文本的极性。这一步的预测精度在72.73%~86.21%之间1.介绍介绍股票市场决策是一个非常困难和重要的任务，由于复杂的行为和不稳定的股票市场有一个重要的需要探索大量有价值的数据产生的股票市场投资者通常需要找到一个更好的方法来预测股票价格的未来行为，这将有助于确定购买或卖出股票的最佳时间，以在其投资中获得最佳利润在股票市场上的交易可以通过实物方式进行，也可以通过电子方式进行。当一个投资者购买一只公司的股票时，这意味着该投资者根据该公司股份的所有权百分比成为该公司的所有者。这就赋予了股东对公司股息的权利[1]股票市场的金融数据性质复杂，难以预测或预测股票市场行为。数据挖掘可以分析大量而复杂的金融数据，从而更好地预测股票市场行为。利用数据挖掘技术来分析股票市场是一个丰富的研究领域，因为它在经济学中的重要性，因为更好的价格会导致各国收入的增加介绍对股市的预测可以帮助投资者做出投资决策，通过为他们提供对股市行为的深刻见解，以避免投资风险。研究发现，新闻对股价行为有影响。基于新闻挖掘的股市预测是一个很有吸引力的研究领域，由于新闻的非结构化性质，它面临着诸多挑战新闻挖掘可以定义为从新闻数据中提取隐藏的、有用的和潜在的未知模式以获取知识的过程。文本挖掘是一种用于处理非结构化数据的技术。文本挖掘在数据挖掘中也被称为文本中的知识发现的步骤(KDT)。沃尔特等人。[4]利用格兰格因果关系研究了金融新闻和股市波动率之间的关系。揭示了新闻情绪与股价变化之间存在一定的关系数据挖掘任务主要分为两大类；描述性任务和预测性任务[2]，[3]。在我们的研究中，我们考虑了预测性任务。分类分析用于预测股票市场行为。我们使用朴素贝叶斯算法和KNN算法来建立我们的模型2.微光相关工作微光相关工作由于处理非结构化数据的复杂性，以往所有的研究都有一个挑战。所有的方法都是基于文本挖掘技术来预测股票市场趋势，其中一些依赖于文本信息，而只有收盘价，另一些依赖于文本信息和股票价格图表屏幕股票行情，如[6]A.关于社交媒体信息分析的研究在文献中已经研究了几种预测股票市场行为和价格趋势的方法。其中一些研究关注于提高基于对新闻或推文的情绪分析以及诸如[9]等股票价格的预测的准确性。其他一些公司则关注不同时间框架下的价格预测，如[10]。此外，不同的研究方法证明，金融新闻与[4]、[6]等股价变化之间存在着很强的相关性。最后，对提高预测精度等方面进行了研究[11],[12]微光相关工作L.I.必应等人[13]提出了一种通过分析推文数据中所表示的公共社交媒体信息来预测股价走势的算法，准确率可达76.12%。必应采用了一个模型来分析公共推文和每小时的股票价格趋势，已经使用了NLP技术和数据挖掘技术来发现公众情绪和数字股票价格之间的关系模式1本研究探讨了多层层次结构中是否存在内部关联，发现内部层与非结构化数据的顶层之间存在关系。本研究仅考虑历史股票价格的日收盘价。Y.E.Cakra[14]提出了一个基于推文情绪分析的预测印尼股市的模型2该模型有价格波动预测、利润率和股价三个目标。五种监督分类算法包括支持向量机、朴素贝叶斯、决策树、随机森林和神经网络。本研究证明，随机森林分类器和朴素贝叶斯分类器的准确率优于其他常用算法，准确率分别为60.39%和56.50%。线性回归在价格预测方面表现良好，准确率为67.73%。本研究的局限性在于，该预测模型是仅基于前5天的价格来构建的3Hana和Hasan[9]使用每小时股票新闻、突发推文以及一小时股票价格图表来预测每小时股票价格的方向是会增加还是减少。本研究调查的信息在新闻文章与打破推体积表明每小时统计显著提高方向预测的研究结果表明，逻辑回归与1克关键字在方向预测，也使用提取文档水平情绪特征没有统计显著提高每小时方向预测，但本研究只依赖于突发新闻每小时预测4微光相关工作B.有关新