互聯(lián)網(wǎng)時(shí)代,股市投資者獲取金融市場(chǎng)信息、進(jìn)行股票交易和交流等活動(dòng)幾乎都是通過(guò)互聯(lián)網(wǎng)進(jìn)行的。其中,股吧、論壇等網(wǎng)絡(luò)平臺(tái)聚集了大量個(gè)人投資者和機(jī)構(gòu)投資者,他們會(huì)在這些網(wǎng)絡(luò)平臺(tái)發(fā)表對(duì)股市或者某只股票走勢(shì)的看法,也會(huì)相互評(píng)論進(jìn)行交流。行為金融學(xué)認(rèn)為,人的決策行為是不理性的、且容易受到所處環(huán)境的影響,這也為股市投資研究提供了新的視角:通過(guò)研究股吧、論壇等網(wǎng)絡(luò)平臺(tái)的輿情來(lái)探究其對(duì)股市、投資的影響。本文使用機(jī)器學(xué)習(xí)中的支持向量機(jī)算法（SVM）構(gòu)建基于網(wǎng)絡(luò)輿情的量化選股模型,對(duì)網(wǎng)絡(luò)輿情因子指標(biāo)是否對(duì)量化選股模型的選股能力有影響來(lái)展開(kāi)研究。首先,利用網(wǎng)絡(luò)爬蟲(chóng)對(duì)2017年8月至2018年8月滬深300成分股的在線股評(píng)文本進(jìn)行采集,對(duì)采集的股評(píng)文本進(jìn)行情感分析后,計(jì)算出網(wǎng)絡(luò)輿情因子值。然后,將網(wǎng)絡(luò)輿情因子與通過(guò)有效性因子檢驗(yàn)的7個(gè)基本面因子和技術(shù)面因子相結(jié)合,使用前3個(gè)月因子數(shù)據(jù)優(yōu)化多因子量化選股模型的參數(shù),并使用后9個(gè)月的因子數(shù)據(jù)進(jìn)行回測(cè),對(duì)比加入與未加入網(wǎng)絡(luò)輿情因子的量化選股模型回測(cè)結(jié)果顯示:（1）在回測(cè)期間,基于網(wǎng)絡(luò)輿情的量化選股模型獲得了8.07%的超額收益（基準(zhǔn)為滬深300指數(shù)）,而同期未加入網(wǎng)絡(luò)... 

【文章來(lái)源】：西南民族大學(xué)四川省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 導(dǎo)論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 文獻(xiàn)綜述
        1.2.1 國(guó)外文獻(xiàn)
        1.2.2 國(guó)內(nèi)文獻(xiàn)
        1.2.3 文獻(xiàn)評(píng)述
    1.3 研究思路、內(nèi)容及方法
        1.3.1 研究思路
        1.3.2 研究?jī)?nèi)容
        1.3.3 研究方法
    1.4 本文創(chuàng)新點(diǎn)及不足之處
第2章 相關(guān)理論與技術(shù)基礎(chǔ)
    2.1 量化投資概述
    2.2 機(jī)器學(xué)習(xí)
        2.2.1 機(jī)器學(xué)習(xí)概念
        2.2.2 支持向量機(jī)
    2.3 網(wǎng)絡(luò)爬蟲(chóng)
    2.4 文本情感分析
        2.4.1 文本表示模型
        2.4.2 文本特征選擇
        2.4.3 文本特征權(quán)重
        2.4.4 文本分類算法
    2.5 本章小結(jié)
第3章 網(wǎng)絡(luò)輿情因子的建立
    3.1 股評(píng)文本數(shù)據(jù)采集
    3.2 股評(píng)文本數(shù)據(jù)預(yù)處理
        3.2.1 人工標(biāo)注
        3.2.2 中文分詞
        3.2.3 特征選擇
        3.2.4 股評(píng)的文本表示
    3.3 構(gòu)建網(wǎng)絡(luò)輿情因子
        3.3.1 建立情感分類模型
        3.3.2 計(jì)算網(wǎng)絡(luò)輿情因子值
    3.4 本章小結(jié)
第4章 多因子量化選股策略實(shí)證分析
    4.1 候選因子選取及預(yù)處理
        4.1.1 候選因子選取
        4.1.2 因子值的預(yù)處理
    4.2 因子有效性的檢驗(yàn)
    4.3 多因子量化選股模型的構(gòu)建
        4.3.1 SVM算法參數(shù)優(yōu)化
        4.3.2 多因子量化選股模型的建立
    4.4 基于網(wǎng)絡(luò)輿情因子的量化選股模型建立
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 對(duì)未來(lái)的展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于Python的新浪微博數(shù)據(jù)爬蟲(chóng)[J]. 周中華,張惠然,謝江.  計(jì)算機(jī)應(yīng)用. 2014(11)
[2]在線文本情感分析技術(shù)及應(yīng)用[J]. 樂(lè)國(guó)安,董穎紅,陳浩,賴凱聲.  心理科學(xué)進(jìn)展. 2013(10)
[3]基于MACD指標(biāo)的智能選股系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)[J]. 張靜,黃東軍.  企業(yè)技術(shù)開(kāi)發(fā). 2010(07)

碩士論文
[1]基于SVM算法的多因子選股模型實(shí)證研究[D]. 周漸.浙江工商大學(xué) 2017
[2]基于XGBoost算法的多因子量化選股方案策劃[D]. 李想.上海師范大學(xué) 2017
[3]網(wǎng)絡(luò)輿情分析關(guān)鍵技術(shù)研究[D]. 劉澤光.東北大學(xué) 2013
[4]基于多因子量化模型的A股投資組合選股分析[D]. 江方敏.西南交通大學(xué) 2013
[5]基于估值與業(yè)績(jī)的選股策略有效性研究[D]. 汪洋.電子科技大學(xué) 2010
[6]股票價(jià)格分析[D]. 袁捷.西南交通大學(xué) 2009



本文編號(hào)：3434392