📄Работа №187929
Тема: АНАЛИЗ ТОНАЛЬНОСТИ ФИНАНСОВЫХ НОВОСТЕЙ ДЛЯ ПРЕДСКАЗАНИЯ ИЗМЕНЕНИЙ ЦЕНЫ АКЦИЙ
Тип работы
Бакалаврская работа
Предмет
информатика
Объем:
42 листов
Год:
2022
Просмотров:
109
4310
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 7
1 Теоретические основы 8
1.1 Анализ тональности 8
1.2 Предварительная обработка текста 9
1.3 Построение векторной модели текста 11
1.3.1 Bag of words 11
1.3.2 TF-IDF 11
1.4 Логистическая регрессия 12
1.5 Рекуррентная нейронная сеть 15
1.6 LSTM 16
1.7 Метрики оценки моделей регрессии 18
1.7.1 Средняя абсолютная ошибка (MAE) 18
1.7.2 Среднеквадратичная ошибка (MSE) 18
1.7.3 Корень из среднеквадратичной ошибки (RMSE) 19
1.7.4 Коэффициент детерминации (R2) 19
2 Используемые технологии и библиотеки 21
2.1 Python 21
2.2 Jupyter Notebook 21
2.3 Pandas 22
2.4 NumPy 23
2.5 Scikit Learn 24
2.6 NLTK 24
2.7 TensorFlow 24
2.8 Keras 25
2.9 Matplotlib 26
3 Реализация 27
3.1 Сбор данных 27
3.2 Преобразование входных данных 28
3.3 Анализ тональности новостных заголовков 29
3.3.1 Модель NLTK VADER 29
3.3.2 Модель логистической регрессии 30
3.4 Построение модели для предсказания цены акций 31
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 38
ПРИЛОЖЕНИЕ А 40
1 Теоретические основы 8
1.1 Анализ тональности 8
1.2 Предварительная обработка текста 9
1.3 Построение векторной модели текста 11
1.3.1 Bag of words 11
1.3.2 TF-IDF 11
1.4 Логистическая регрессия 12
1.5 Рекуррентная нейронная сеть 15
1.6 LSTM 16
1.7 Метрики оценки моделей регрессии 18
1.7.1 Средняя абсолютная ошибка (MAE) 18
1.7.2 Среднеквадратичная ошибка (MSE) 18
1.7.3 Корень из среднеквадратичной ошибки (RMSE) 19
1.7.4 Коэффициент детерминации (R2) 19
2 Используемые технологии и библиотеки 21
2.1 Python 21
2.2 Jupyter Notebook 21
2.3 Pandas 22
2.4 NumPy 23
2.5 Scikit Learn 24
2.6 NLTK 24
2.7 TensorFlow 24
2.8 Keras 25
2.9 Matplotlib 26
3 Реализация 27
3.1 Сбор данных 27
3.2 Преобразование входных данных 28
3.3 Анализ тональности новостных заголовков 29
3.3.1 Модель NLTK VADER 29
3.3.2 Модель логистической регрессии 30
3.4 Построение модели для предсказания цены акций 31
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 38
ПРИЛОЖЕНИЕ А 40
📖 Введение
Прогнозирование цен акций - это попытка предсказать будущую стоимость акций компании, торгуемых на бирже. Успешное прогнозирование будущей цены акций может принести значительную прибыль. Сложность предсказания фондового рынка состоит в том факте, что для создания высокоточных прогнозов требуется полная и надежная информация, также возможность корректно интерпретировать информацию и применить методы предсказания цены. Технические трейдеры основывают свой анализ на предположениях, что паттерны рыночной цены повторят себя в будущем и, следовательно, они могут быть использованы для целей предсказания цены. Наиболее распространенной и наиболее изученной техникой являются прогнозы, основанные на временных рядах.
В последнее время модели глубокого обучения все чаще используются в прогнозировании временных рядов, используя исторические цены акций. Но помимо исторических цен, на формирование будущей цены значительно влияет новостной фон. Извлечение настроения из полного текста новости более трудоемко, а зачастую и менее эффективно, чем извлечение только из заголовка.
Целью работы является создание гибридной модели глубокого обучения для прогнозирования цен акций, сочетающей в себе исторические цены акций и настроения из новостных заголовков.
Задачи:
1) Сбор данных, включающих в себя исторические цены акций и соответствующих им новостных заголовков.
2) Предварительная обработка собранных данных.
3) Построение модели анализа тональности.
4) Построение регрессионной модели глубокого обучения совершающей прогнозы на основе исторических цен акций и соответствующих тональностей.
В последнее время модели глубокого обучения все чаще используются в прогнозировании временных рядов, используя исторические цены акций. Но помимо исторических цен, на формирование будущей цены значительно влияет новостной фон. Извлечение настроения из полного текста новости более трудоемко, а зачастую и менее эффективно, чем извлечение только из заголовка.
Целью работы является создание гибридной модели глубокого обучения для прогнозирования цен акций, сочетающей в себе исторические цены акций и настроения из новостных заголовков.
Задачи:
1) Сбор данных, включающих в себя исторические цены акций и соответствующих им новостных заголовков.
2) Предварительная обработка собранных данных.
3) Построение модели анализа тональности.
4) Построение регрессионной модели глубокого обучения совершающей прогнозы на основе исторических цен акций и соответствующих тональностей.
✅ Заключение
В ходе работы были собраны данные об исторических ценах акций и соответствующих им новостных заголовков, на которых был проведен анализ тональности при помощи модели VADER, основанной на правилах и логистической регрессии, затем была построена гибридная LSTM модель для предсказания цен акций, натренированная на исторических ценах и соответствующим им тональностям.
Были изучены методы обработки входных данных, в том числе текстовых, анализ тональности, логистическая регрессия, нейронные LSTM сети, метрики оценивания моделей.
Было показано на примере фондового индекса S&P 500, что применение анализа тональности вместе с историческими данными акций улучшает качество прогнозирования. Построенная модель улавливает тренд движения цен и показывает достаточно точные значения. Из чего можно сделать вывод, что настроения новостного фона влияют на изменение цены акций.
Поставленные цели и задачи работы были выполнены.
Были изучены методы обработки входных данных, в том числе текстовых, анализ тональности, логистическая регрессия, нейронные LSTM сети, метрики оценивания моделей.
Было показано на примере фондового индекса S&P 500, что применение анализа тональности вместе с историческими данными акций улучшает качество прогнозирования. Построенная модель улавливает тренд движения цен и показывает достаточно точные значения. Из чего можно сделать вывод, что настроения новостного фона влияют на изменение цены акций.
Поставленные цели и задачи работы были выполнены.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.