📄Работа №196224
Тема: АНАЛИЗ ТОНАЛЬНОСТИ ФИНАНСОВЫХ НОВОСТЕЙ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ПРЕДСКАЗАНИЯ ИЗМЕНЕНИЯ ЦЕНЫ АКЦИЙ
Характеристики работы
Тип работы
Магистерская диссертация
Предмет
Информатика и вычислительная техника
Объем:
62 листов
Год:
2021
Просмотров:
48
4895
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 5
1 Социальные медиа 6
2 Сбор данных 9
3 Анализ тональности текста 11
3.2.1 Подход, основанный на правилах 17
3.2.2 Подход, основанный на словарях 17
3.2.3 Машинное обучение с учителем 19
3.2.4 Машинное обучение без учителя 20
4 Обработка текстовых данных 22
4.1 Очистка текста от нерелевантных слов и символов 23
4.2 Токенизация 23
4.3 Выделение ключевых слов и словосочетаний 23
4.4 Представление текста в числовой форме 25
4.6 Модели классификации 26
4.6.1 Логистическая регрессия 28
4.6.2 Наивный байесовский классификатор 32
4.6.3 Многослойный персептрон 33
4.6.4 Сети долгой краткосрочной памяти 37
4.6.5 Управляемый рекуррентный блок 40
4.6.6 Нейронная сеть для анализа тональности 41
4.6.7 Оценка качества классификационной модели 42
4.6.8 Показатели точности классификации 43
5 Предсказание изменение цены акций 46
5.1. Построение модели для предсказания изменения цены акций 47
5.2 Построение модели анализа тональности 50
5.3 Построение модели предсказания изменения цены акций с использованием анализа тональности 55
5.4 Общие результаты 59
ЗАКЛЮЧЕНИЕ 60
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 61
1 Социальные медиа 6
2 Сбор данных 9
3 Анализ тональности текста 11
3.2.1 Подход, основанный на правилах 17
3.2.2 Подход, основанный на словарях 17
3.2.3 Машинное обучение с учителем 19
3.2.4 Машинное обучение без учителя 20
4 Обработка текстовых данных 22
4.1 Очистка текста от нерелевантных слов и символов 23
4.2 Токенизация 23
4.3 Выделение ключевых слов и словосочетаний 23
4.4 Представление текста в числовой форме 25
4.6 Модели классификации 26
4.6.1 Логистическая регрессия 28
4.6.2 Наивный байесовский классификатор 32
4.6.3 Многослойный персептрон 33
4.6.4 Сети долгой краткосрочной памяти 37
4.6.5 Управляемый рекуррентный блок 40
4.6.6 Нейронная сеть для анализа тональности 41
4.6.7 Оценка качества классификационной модели 42
4.6.8 Показатели точности классификации 43
5 Предсказание изменение цены акций 46
5.1. Построение модели для предсказания изменения цены акций 47
5.2 Построение модели анализа тональности 50
5.3 Построение модели предсказания изменения цены акций с использованием анализа тональности 55
5.4 Общие результаты 59
ЗАКЛЮЧЕНИЕ 60
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 61
📖 Аннотация
В данной работе исследуется потенциал интеграции анализа тональности финансовых новостей для повышения точности прогнозирования динамики цен акций. Актуальность исследования обусловлена сложностью построения точных прогнозных моделей, основанных исключительно на исторических финансовых данных, и растущим интересом к альтернативным источникам информации, таким как новостной фон, который отражает рыночные настроения. Основные результаты, полученные в ходе эмпирического анализа на данных компаний Microsoft и Zynerba Pharmaceuticals, демонстрируют неоднозначный эффект: добавление признаков тональности ухудшило точность прогноза для крупной корпорации Microsoft, но существенно улучшило её для менее капитализированной компании Zynerba Pharmaceuticals. Это позволяет сделать вывод о дифференцированном влиянии новостного контента в зависимости от масштаба и, возможно, ликвидности эмитента. Научная значимость работы заключается в развитии методологии построения гибридных прогнозных моделей, сочетающих количественные и качественные данные, а практическая — в предоставлении инвесторам и аналитикам инструментария для более взвешенной оценки факторов риска, особенно для акций малых компаний. Теоретической основой послужили фундаментальные труды по анализу тональности (Pang, Lee), исследования, посвященные обработке текстов на семантическом уровне (Tartir, Abdul-Nabi), а также работы, рассматривающие применение методов машинного обучения без учителя для анализа настроений (Sokhin, Butakov).
📖 Введение
Прогнозирование цен на акции очень важно при планировании деловой активности. Однако построение точной модели прогнозирования цен акции по- прежнему остается сложной задачей. Помимо исторических цен на текущий фондовый рынок влияет настроение общества. Общее социальное настроение по отношению к компании, может быть, одной из важных переменных, влияющих на цену акции этой компании. В настоящее время социальные сети делают доступными большие объёмы данных о настроении. Следовательно, объединение информации из социальных сетей с историческими ценами может улучшить предсказательную способность моделей.
Помимо информации о настроении, на цены акций влияют многие факторы, такие как микроэкономичные и макроэкономичные, различные финансовые показатели, отчетность, новостной фон и так далее. Однако работа фокусируется на том, как можно использовать информацию о настроении из социальных сетей и финансовых новостей для прогнозирования движений цен на акции. Таким образом, настроение тем в социальных сетях или финансовых новостях определяется анализом настроений. Однако анализ в социальных сетях затруднен. Текст обычно короткий, содержит множество орфографических ошибок, необычные грамматические конструкции и т. д. Кроме того, в литературе показаны противоречивые результаты анализа настроений для прогнозирования фондового рынка. Некоторые исследования сообщают, что настроения из социальных сетей не обладают способностью к предсказанию (Antweiler, Frank, 2004; Tumarkin and Whitelaw, 2001), в то время как другие исследователи сообщают о слабых или сильных прогностических возможностях (Bollen et al., 2011).
Таким образом, вопрос о том, как использовать мнения в социальных сетях для прогнозирования цен на акции, все еще остается открытой проблемой.
Помимо информации о настроении, на цены акций влияют многие факторы, такие как микроэкономичные и макроэкономичные, различные финансовые показатели, отчетность, новостной фон и так далее. Однако работа фокусируется на том, как можно использовать информацию о настроении из социальных сетей и финансовых новостей для прогнозирования движений цен на акции. Таким образом, настроение тем в социальных сетях или финансовых новостях определяется анализом настроений. Однако анализ в социальных сетях затруднен. Текст обычно короткий, содержит множество орфографических ошибок, необычные грамматические конструкции и т. д. Кроме того, в литературе показаны противоречивые результаты анализа настроений для прогнозирования фондового рынка. Некоторые исследования сообщают, что настроения из социальных сетей не обладают способностью к предсказанию (Antweiler, Frank, 2004; Tumarkin and Whitelaw, 2001), в то время как другие исследователи сообщают о слабых или сильных прогностических возможностях (Bollen et al., 2011).
Таким образом, вопрос о том, как использовать мнения в социальных сетях для прогнозирования цен на акции, все еще остается открытой проблемой.
✅ Заключение
В рамках данной работы было проведено исследование методов анализа тональности финансовых новостей. Было создано несколько моделей для определения тональности новостей. Из которых была выбрана модель с наилучшими показателями, которую в дальнейшем использовали для анализа тональности новостей. Также в данной работе были реализованы две модели для предсказания изменения цен акций и проведены несколько экспериментов. Эксперименты проводились на данных двух компаний: Microsoft и Zynerba Pharmaceuticals.
В первом случае модели обучались только на исторических данных акций компании и показывали высокую точность.
Во втором эксперименте к данным акций компании добавили еще и анализ тональности новостей.
Как можно видеть из результатов использование анализа тональности финансовых новостей для предсказания изменения цены акции компании Microsoft снизило точность предсказания. В тоже время для компании Zynerba Pharmaceuticals использование анализа тональности финансовых новостей наоборот повысило точность предсказания. Из этого можно сделать вывод, что финансовые новости не одинаково влияют на различные компании. Как мы видим на крупные компании, такие как Microsoft новости могут или не влиять совсем или незначительно. А для маленьких компаний новости, наоборот, могут существенно влиять на изменение цены акций на фондовом рынке.
В первом случае модели обучались только на исторических данных акций компании и показывали высокую точность.
Во втором эксперименте к данным акций компании добавили еще и анализ тональности новостей.
Как можно видеть из результатов использование анализа тональности финансовых новостей для предсказания изменения цены акции компании Microsoft снизило точность предсказания. В тоже время для компании Zynerba Pharmaceuticals использование анализа тональности финансовых новостей наоборот повысило точность предсказания. Из этого можно сделать вывод, что финансовые новости не одинаково влияют на различные компании. Как мы видим на крупные компании, такие как Microsoft новости могут или не влиять совсем или незначительно. А для маленьких компаний новости, наоборот, могут существенно влиять на изменение цены акций на фондовом рынке.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.