倾听混乱的低语：一个深入的学习框架

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Listening to Chaotic Whispers: A Deep Learning Framework for
  News-oriented Stock Trend Prediction》
---
作者：
Ziniu Hu, Weiqing Liu, Jiang Bian, Xuanzhe Liu, Tie-Yan Liu
---
最新提交年份：
2019
---
英文摘要：
  Stock trend prediction plays a critical role in seeking maximized profit from stock investment. However, precise trend prediction is very difficult since the highly volatile and non-stationary nature of stock market. Exploding information on Internet together with advancing development of natural language processing and text mining techniques have enable investors to unveil market trends and volatility from online content. Unfortunately, the quality, trustworthiness and comprehensiveness of online content related to stock market varies drastically, and a large portion consists of the low-quality news, comments, or even rumors. To address this challenge, we imitate the learning process of human beings facing such chaotic online news, driven by three principles: sequential content dependency, diverse influence, and effective and efficient learning. In this paper, to capture the first two principles, we designed a Hybrid Attention Networks to predict the stock trend based on the sequence of recent related news. Moreover, we apply the self-paced learning mechanism to imitate the third principle. Extensive experiments on real-world stock market data demonstrate the effectiveness of our approach.
---
中文摘要：
股票走势预测对寻求股票投资利润最大化起着至关重要的作用。然而，由于股票市场的高度波动性和非平稳性，精确的趋势预测非常困难。互联网上信息的爆炸式增长，以及自然语言处理和文本挖掘技术的不断发展，使投资者能够从在线内容中揭示市场趋势和波动性。不幸的是，与股市相关的在线内容的质量、可信度和全面性差别很大，其中很大一部分是低质量的新闻、评论甚至谣言。为了应对这一挑战，我们模仿了人类面对如此混乱的在线新闻的学习过程，这一过程由三个原则驱动：连续的内容依赖性、多样的影响以及有效和高效的学习。在本文中，为了抓住前两个原则，我们设计了一个混合注意网络，根据最近的相关新闻序列预测股票趋势。此外，我们还应用了自定进度学习机制来模拟第三个原则。对真实股市数据的大量实验证明了我们方法的有效性。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Social and Information Networks        社会和信息网络
分类描述：Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模，包括它们在联机信息访问、通信和交互方面的应用，以及它们作为数据集在这些领域和其他领域的问题探索中的作用，包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题；计算应用包括H.3、H.4和H.5中的主题；计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议（例如TCP/IP）的论文通常更适合网络和因特网体系结构（CS.NI）类别。
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Listening_to_Chaotic_Whispers:_A_Deep_Learning_Framework_for_News-oriented_Stock.pdf (3.2 MB)

2022-6-2 17:42:37 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Applications Econophysics Architecture Quantitative Application

倾听混沌的低语：新闻导向股票趋势预测的深度学习框架Ziniu Hu*北京大学教育部，Chinabull@pku.edu.cnWeiqing中国北京微软研究院刘伟清。Liu@microsoft.comJiangBianMicrosoft Research中国北京。Bian@microsoft.comXuanzhe北京大学教育部刘科技，Chinaliuxuanzhe@pku.edu.cnTie-Yan Liu微软研究中心中国北京Yan。Liu@microsoft.comABSTRACTStock趋势预测在寻求maximizedpro中起着关键作用t来自股票投资。然而，精确的趋势预测非常困难股市的高度波动性和非平稳性。随着自然语言处理和文本挖掘技术的不断发展，互联网上的信息爆炸式增长，使得投资者能够从在线内容中揭示市场趋势和波动性。不幸的是，与股市相关的在线内容的质量、可信度和全面性差别很大，其中很大一部分是低质量的新闻、评论甚至谣言。为了应对这一挑战，我们模仿人类在面对如此混乱的在线新闻时的学习过程，受三个原则的驱动：顺序内容依赖性、多样性Uce和eective和古老的学问。在本文中，要捕获基于这两个原则，我们设计了一个混合注意网络（HAN）来根据最近相关新闻的序列预测股票趋势。此外，我们还应用了自定步学习机制来模拟第三个原则。对真实股市数据的大量实验表明，e我们框架的客观性。

进一步的模拟表明，基于我们提出的框架的简单交易策略可以可以增加年化回报率。关键词库存趋势预测；深度学习；文本挖掘*这项工作是作者在微软亚洲研究院实习时完成的。允许制作本作品的全部或部分数字或硬拷贝以供个人或教室使用，无需支付任何费用，前提是不得为专业人士制作或分发副本或commercial advantage，且副本上附有本通知和首页。必须尊重ACMM以外的其他人拥有的本作品组件的版权。允许信用提取。要以其他方式复制或重新发布、在服务器上发布或重新分发到列表，需要事先指定c许可和/或afee。从请求权限permissions@acm.org.WSDM2018年2月5日至9日，Marina Del Rey，CA，USA(c)2018计算机械协会。ACM ISBN 978-1-4503-5581-0/18/02$15https://doi.org/10.1145/3159652.3159690ACM参考格式：Ziniu Hu、Weiqing Liu、Jiang Bian、Xuanzhe Liu和Tie Yan Liu。2018年，《倾听混沌的低语：面向新闻的股票趋势预测的深度学习框架》。2018年WSDM：第十一届ACM网络搜索和数据挖掘国际会议，2018年2月5日至9日，美国加利福尼亚州玛丽娜·德雷。ACM，美国纽约州纽约市，9页。https://doi.org/10.1145/3159652.31596901介绍为了寻求最大化的prot、 股票投资者不断尝试预测市场的未来趋势[]，然而，由于市场的高度波动性和非平稳性[]，这是一个相当具有挑战性的问题。传统e预测股票趋势的运动是基于各种elds。最基本的方法之一是对市场上最近的价格和数量进行技术分析。

这种方法产生了市场的吸引力。与此同时，另一种基本方法侧重于无法捕捉近期趋势的影响。随着互联网的快速增长，来自在线媒体的内容呈现出趋势和波动性。更重要的是，自然语言处理技术的不断发展激发了越来越多的ortson通过自动分析股票相关文章预测股票趋势。例如，Tetlock等人。[]提取并量化华尔街日报报道和观察的乐观主义和悲观主义以及市场价格的逆转。毫不奇怪，e这种文本分析的客观性取决于目标文章的质量。例如，与阅读华尔街一家公司的综合报告相比，分析一条关于这家公司的简单声明性新闻就不太可能做出准确的预测。

不幸的是，股市的质量差别很大，大部分在线内容都是低质量的新闻、评论甚至谣言。WSDM 2018，2018年2月5日至9日，加利福尼亚州Marina Del Rey，USA Ziniu Hu，Weiqing Liu，Jiang Bian，Xuanzhe Liu和Tie Yan Liu为了应对这一挑战，我们模仿人类面对这种混乱的在线新闻的学习过程，可以总结为三个原则：o顺序上下文相关新闻很可能质量低或信息量不足，人类可以在uni中综合考虑最近重要的相关序列ed sequential context，人类可以付费根据各自的重要性和重要性，对不同的部分给予不同的注意影响。o多样化影响：当di的影响不同的在线新闻可以有很大的多样性，人类可以辨别相关股票的种类，同时一些无用的评论或模糊的谣言会影响后续的股票走势Eective和E古知识：新闻不可能总是主流，甚至关于确定的新闻数量非常有限，人类倾向于rst通过关注信息性的场合来获取知识，然后转向令人不安的证据来获得不安的体验。要捕获根据人类学习过程的两个原则，我们设计了一个混合注意网络（HAN）来根据最近相关新闻的序列预测股票趋势。首先，为了模仿人类对具有不同注意的顺序上下文的认知，我们构建了基于注意的递归神经网络（RNN），用于处理大学股票的最新相关新闻注意机制能够识别更多序列的连续时间段。

其次，在较低层次上进一步建模神经网络，目的是在同一时间点从其他人那里识别更重要的新闻。模仿eective和e在人类的古代学习中，我们采用自定步调学习（SPL）[]机制。由于在模型训练的早期阶段，基于新闻的股票趋势预测在某些情况下更具挑战性，并且逐渐增加了训练样本的复杂性。di的自我培训样本erent培训阶段，增强了我们框架的最终性能。与传统方法相比，实验结果表明，我们的框架可以显著提高可以显著提高股票趋势预测的性能。此外，我们使用基于我们框架的简单交易策略模拟了股票投资，结果表明，简单的交易策略可以获得比基线方法更好的年化回报。综上所述，我们的工作贡献包括：o总结了模仿人类学习过程的原则，特别是从混乱的在线新闻中预测股票趋势的原则股票趋势预测，由人类学习过程的原则驱动。o以真实股票市场为基础，通过模拟投资绩效对真实数据进行实验研究。论文的其余部分组织如下。我们在第2节中介绍了相关工作。我们在第3节进行了实证分析，以揭示新闻导向股票预测框架的设计原则，在此基础上，我们提出了一个新的深度学习框架，详情见第4节。实验装置和结果见第5节。我们在第6.2节中总结了本文，并指出了未来的发展方向。股票趋势预测已经吸引了许多研究人员因为它在股票投资中起着决定性的作用。

一般而言，传统方法可分为两种主要方法：主要依赖的技术性方法。技术分析处理时间序列的历史市场数据，如交易价格和交易量，并根据可用于未来预测的交易模式进行预测。在这方面使用最广泛的模型之一是线性和平稳时间序列的自回归（AR）模型[]。然而，股票价格的非线性和非平稳性限制了AR模型的适用性。因此，之前的研究试图找出市场趋势的基本模式。随着深度神经网络的发展财务预测[，，，，，]。为了进一步建模时间序列中的长期相关性，递归神经网络（RNN），尤其是长-短期记忆（LSTM）网络，也被用于财务预测[，]。最近，Zhang等人提出了一种称为状态频率记忆（SFM）的新RNN，以发现用于股价预测的多频率交易模式。技术分析的一个主要限制是，它无法揭示价格数据以外的市场动态规则。相反，基本方法是从外部市场历史数据中获取信息，如地缘政治，财务环境和商业原则。互联网上的信息爆炸推动了在线内容，尤其是新闻，成为基础分析的最重要来源之一。有很多人试图挖掘新闻数据，以便更好地预测市场趋势。Nassirtoussi等人。

[]在《面向新闻的股票趋势预测深度学习框架WSDM 2018》（2018年2月5日至9日，加利福尼亚州Marina Del Rey，USAmethod for event-driven Stock market Prediction）中，提出了一种具有语义和情感的多层降维算法来预测货币对的日内方向运动。通过将外部知识图纳入事件嵌入的学习过程，他们进一步扩展了他们的方法[]。王等人。[]执行文本回归任务以预测股票价格的波动性。Xie等人提出了一种新的树表示，并使用它来训练具有树核的预测模型，使用稳健的特征选择来增强股票预测。市场新闻挖掘的另一个主要方面是分析公众新闻和社交媒体的情绪，然后利用它预测市场趋势。Li等人。[]利用情绪分析实现了一个通用的股价预测框架。Zhou等人深入研究了来自微博的1000多万条股票相关推文nd公司ve属性表明，中国股市可以通过各种在线情绪进行有效预测。Nguyen等人。[]明确考虑与目标股票相关的话题，并从社交媒体中提取话题和相关情绪进行预测。虽然有很多在利用新闻进行股票预测时，很少有人对股票的质量给予足够的重视语篇分析的客观性。在这篇文章中，我们通过模仿人类的学习过程来应对混沌新闻的挑战，受此启发，我们提出了对近期相关新闻的混合关注，并采用自定步调学习来应对混沌新闻的挑战ECTIVE和e古老的学问。3实证分析在这一部分，通过实证分析，我们将揭示人类通过混沌新闻进行股票趋势预测的学习过程的三个原则。

这些原则可以为我们设计学习框架提供必要的指导。3.1由于在线服务质量的多样性，顺序上下文依赖性在金融新闻方面，由于信息有限甚至模糊，人类投资者通常不喜欢依靠单一新闻进行预测。相反，拜尼在教育背景下，每一条新闻都可以提供补充信息，从而可以对股票走势做出更可靠的评估。例如，图1显示了两个新闻序列，分别涉及2014年9月和2017年3月发生的汽油行业改革。这个古尔还显示了中国最大的石油公司之一的诺赛克的股价。从图中，我们可以看到两个黄色圆圈这两条新闻分别代表两项改革的开始。仅仅参考这两条新闻，我们很难预测中石化的未来趋势，因为他们所揭示的这两项改革之间的关系可以从之前的新闻序列中推断出来。特别是，之前于2014年9月发布的带有下降标志的消息表明，改革可能会导致负面影响ects；2017年3月，上升标志的消息显示了相当积极的信号。评估in这些改革对相关股票的影响。因此，要模仿人类的这种分析过程，一个理想的框架应该在一个连续的时间上下文中整合和解释每一条新闻，而不是单独分析它们。3.2多样化uenceSigni公司铁路超高新闻在比那些琐碎的东西对市场的影响更大。例如，中石化的第三条新闻一直在下跌，这应该是一段时间，而这条负面新闻的重要性要小得多。

随着时间的推移，中石化的价格仅下跌了一天，就开始上涨，并在相当长的一段时间内保持上涨趋势，前提是负面消息的影响确实弱于正面消息。基于新闻的多样性因此，我们可以得出这样的结论：在分析新闻时，一个理想的框架应该能够区分更密集、更持久的新闻对其进行评价，并给予更多关注。3.3 Eective和E《科学学习新闻》（cient LearningNews）不能总是提供股票趋势的信息性指示，尤其是当只存在一个关于speci的新闻数量c一段时间内的股票。根据我们收集的在线新闻，图2显示了特定股票“Jiail”没有新闻的情况的发生率。在10天以上没有新闻报道的时间段内，很难做出任何以新闻为导向的预测。此外，其他情况，如模糊新闻的聚合，也会导致对预言的崇拜。这项任务促使人类投资者nd a更多eective和古老的学习过程。实际上，人类投资者往往RSTGA通过关注常见场合，然后转向特殊情况，全面了解情况。受此启发，这是一个理想的学习框架，用于在早期阶段对信息量更大的新闻进行股票预清算，并进一步优化以应对更难的样本。4面向新闻的趋势预测的深度学习框架预测。