在金融市場(chǎng),股市波動(dòng)率的研究對(duì)于投資者和監(jiān)管者而言具有重要的參考意義。波動(dòng)率的研究實(shí)則為金融時(shí)間序列的預(yù)測(cè)研究,通常采用傳統(tǒng)的GARCH模型進(jìn)行預(yù)測(cè),但是該模型使用的數(shù)據(jù)是低頻數(shù)據(jù),難以捕捉更多的金融有效信息�，F(xiàn)有諸多學(xué)者采用基于高頻數(shù)據(jù)的HAR-RV模型與之對(duì)比,發(fā)現(xiàn)該模型預(yù)測(cè)精度較GARCH模型而言有所提升。隨著深度學(xué)習(xí)算法在金融界的逐步拓展,越來(lái)越多的金融時(shí)間序列預(yù)測(cè)問(wèn)題被證實(shí)可以用深度學(xué)習(xí)算法較好的擬合預(yù)測(cè)。由于目前深度學(xué)習(xí)算法預(yù)測(cè)的對(duì)象多為股票價(jià)格,故本文嘗試將深度學(xué)習(xí)算法應(yīng)用于股市波動(dòng)率的預(yù)測(cè)研究,因此選用適合于時(shí)間序列的神經(jīng)網(wǎng)絡(luò)GRU模型,對(duì)中國(guó)股票市場(chǎng)的波動(dòng)率進(jìn)行預(yù)測(cè)研究。已有研究表明新聞媒體對(duì)股市波動(dòng)存在影響,在此背景下,如何將新聞信息對(duì)股市波動(dòng)的影響提取出來(lái)用于波動(dòng)率的提升預(yù)測(cè)成為新的研究方向。本文將基于新聞文本大數(shù)據(jù),通過(guò)構(gòu)建情感詞典、量化情緒指標(biāo)的方式,提取新聞文本信息,并將其加入到基于高頻數(shù)據(jù)的HAR-RV模型和GRU模型中,形成其擴(kuò)展模型。此外,本文以損失函數(shù)法和MCS檢驗(yàn)法為評(píng)價(jià)體系,將模型兩相比較,判定新興的深度學(xué)習(xí)算法是否在股市波動(dòng)率預(yù)測(cè)方面有更加出色... 

【文章來(lái)源】：浙江工商大學(xué)浙江省

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文思路框架

17如圖3.1為中文財(cái)經(jīng)情感詞典構(gòu)建流程圖：圖3.1情感詞典構(gòu)建流程圖如表3.2展示了各個(gè)基礎(chǔ)詞典和本文所構(gòu)建的中文財(cái)經(jīng)情感詞典的正負(fù)面詞語(yǔ)數(shù)量表。經(jīng)上述步驟構(gòu)建的中文財(cái)經(jīng)情感詞典，共計(jì)包含負(fù)面詞語(yǔ)2622個(gè)，正面詞語(yǔ)3275個(gè)。表3.2各個(gè)詞典正負(fù)詞語(yǔ)對(duì)照表TSINGHUADLUTSDLMCFED負(fù)面詞語(yǔ)46201078312752622正面詞語(yǔ)5569112292253275利用基礎(chǔ)詞典和中文財(cái)經(jīng)情感詞典分別對(duì)新聞文本中的詞語(yǔ)進(jìn)行分析，統(tǒng)計(jì)出各個(gè)詞典中在新聞文本中出現(xiàn)的詞語(yǔ)占自身詞語(yǔ)的比重，如表3.3所示：表3.3各個(gè)詞典新聞詞語(yǔ)頻率對(duì)照表TSINGHUADLUTSDLMCFED負(fù)面詞語(yǔ)33.35%14.21%60.16%100%正面詞語(yǔ)44.01%18.35%75.56%100%總數(shù)39.18%16.34%62.47%100%因?yàn)橹形呢?cái)經(jīng)情感詞典的詞語(yǔ)全部來(lái)自于新聞?wù)Z料庫(kù)，所以該詞典中在新聞?wù)Z料庫(kù)出現(xiàn)的詞語(yǔ)占自身詞語(yǔ)的比重為100%，從表3.3中可以看出，清華詞典和大連詞典中只有39.18%和16.34%的正負(fù)面詞語(yǔ)適用于財(cái)經(jīng)新聞?lì)I(lǐng)域，LM翻譯詞典中有62.47%的

新聞范本


本文編號(hào)：3320857