تجزیه و تحلیل متنی پیش بینی بازار سهام با استفاده از اخبار مالی: سیستم متن آزفین

رابرت پی.

کالج ایونا ، New Rochelle ، NY View Profile هسینچون چن دانشگاه آریزونا ، توسان ، AZ View Profile منتشر شده: 09 مارس 2009 تاریخ انتشار

• 454 استناد
• 8،688
• بارگیری

معیارهای کل استناد 454 کل بارگیری 8،688 12 ماه گذشته 506 6 هفته گذشته 63

• هشدارهای استناد را دریافت کنید

هشدار استناد جدید اضافه شد!

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

معاملات ACM در سیستم های اطلاعاتی

خلاصه

تحقیقات ما یک رویکرد پیش بینی کننده یادگیری ماشین را برای تجزیه و تحلیل مقالات خبری مالی با استفاده از چندین نمایش متنی مختلف بررسی می کند: کیف کلمات ، عبارات اسم و نهادهای نامگذاری شده. از طریق این رویکرد ، ما 9،211 مقاله خبری مالی و 10،259،042 نقل قول سهام را که شامل سهام S& P 500 در طی یک دوره پنج هفته است ، بررسی کردیم. ما از تجزیه و تحلیل خود برای تخمین قیمت سهام گسسته بیست دقیقه پس از انتشار مقاله خبری استفاده کردیم. با استفاده از یک مشتق دستگاه وکتور پشتیبانی (SVM) مخصوص پیش بینی عددی گسسته و مدل های حاوی متغیرهای مختلف سهام ، ما نشان می دهیم که مدل حاوی هر دو اصطلاح مقاله و قیمت سهام در زمان انتشار مقاله بهترین عملکرد را در نزدیکی دارد. قیمت واقعی سهام آینده (MSE 0. 04261) ، همان جهت حرکت قیمت به عنوان قیمت آینده (دقت 57. 1 ٪ دقت) و بالاترین بازده با استفاده از موتور تجارت شبیه سازی شده (بازده 2. 06 ٪). ما بیشتر در مورد بازنمایی های متنی مختلف بررسی کردیم و دریافتیم که یک طرح اسمی مناسب بهتر از استاندارد de facto کیف کلمات در هر سه معیار عمل می کند.

منابع

1. Bishop ، C. M. and Tipping ، M. E. 2003. رگرسیون و طبقه بندی بیزی. IOS Press ، آمستردام. گوگل دانشکده
2. Bus ، D. and Wutkowski ، K. 15 نوامبر 2005. Schwab to Miss Pretecast ، جریمه NYSE. http://biz. yahoo. com/rb/051115/financial_schwab. html؟. v=3. گوگل دانشکده
3. چو ، V. 1999. کشف دانش از داده های توزیع شده و متنی. فناوری. هرزه. گروه علوم کامپیوتر. دانشگاه علوم و فناوری هنگ کنگ. گوگل دانشکده
4. Cho ، V. ، Wuthrich ، B. ، and Zhang ، J. 1998. پردازش متن برای طبقه بندی. J. Compatat. اینتلباله26. Google Scholar
5. Conrad ، J. G. and Claussen ، J. R. S. 2003. تعامل اولیه سیستم کاربر برای انتخاب پایگاه داده در محیط های آنلاین خاص دامنه. ACM Trans. آگاه کردن. syst21 ، 1 ، 94--131. کتابخانه Scholardigital Google
6. FAMA ، E. 1964. رفتار قیمت سهام بورس. فناوری. هرزه. دانشکده تجارت فارغ التحصیل ، دانشگاه شیکاگو. گوگل دانشکده
7. Fung ، G. P. C. ، Yu ، J. X. ، Yu ، X. ، and Lam ، W. 2002. پیش بینی روند سهام حساس به اخبار. در مجموعه مقالات کنفرانس اقیانوس آرام-آسیا در مورد کشف دانش و داده کاوی (PAKDD). کتابخانه Scholardigital Google
8. Gao ، J. B. ، Gu ، S. R. ، Harris ، C. J. ، and Brown ، M. 2002. یک چارچوب احتمالی برای رگرسیون SVM و تخمین نوار خطا. ماچفرا گرفتن. 46 ، 1--3 ، 71--89. کتابخانه Scholardigital Google
9. Gidofalvi ، G. 2001. با استفاده از مقالات خبری برای پیش بینی حرکات قیمت سهام. Rep Tech. گروه علوم و مهندسی کامپیوتر ، دانشگاه کالیفرنیا ، سن دیگو. گوگل دانشکده
10. Joachims ، T. 1998. طبقه بندی متن با ماشین های بردار پشتیبانی: یادگیری با بسیاری از ویژگی های مرتبط. در مجموعه مقالات دهمین کنفرانس اروپا در مورد یادگیری ماشین. Springer-Verlag ، 137--142. کتابخانه Scholardigital Google
11. Kloptchenko ، A. ، Eklund ، T. ، Karlsson ، J. ، Back ، B. ، Vanharanta ، H. ، and Visa ، A. 2004. ترکیب داده ها و تکنیک های استخراج متن برای تجزیه و تحلیل گزارش های مالی. اینتلsystحساب. بالهمدیریت12 ، 1 ، 29--41. کتابخانه Scholardigital Google
12. Lavrenko ، V. ، Schmill ، M. ، Lawrie ، D. ، and Ogilvie ، P. 2000b. استخراج سریال های همزمان متن و زمان. در مجموعه مقالات ششمین کنفرانس بین المللی ACM در مورد کشف دانش و داده کاوی (KDD). گوگل دانشکده
13. Lavrenko ، V. ، Schmill ، M. ، Lawrie ، D. ، Ogilvie ، P. ، Jensen ، D. ، and Allan ، J. 2000a. مدل های زبان برای توصیه اخبار مالی. در مجموعه مقالات نهمین کنفرانس بین المللی مدیریت اطلاعات و دانش. کتابخانه Scholardigital Google
14. Le Moigno ، S. ، Charlet ، J. ، Bourigualt ، D. ، Degoulet ، P. ، and Jaulent ، M.-C. 2002. استخراج اصطلاحات از متن برای ساختن هستی شناسی در مراقبت های ویژه جراحی. در مجموعه مقالات سمپوزیوم AMIA. گوگل دانشکده
15. Lebaron ، B. ، Arthur ، W. B. ، and Palmer ، R. 1999. ویژگی های سری زمانی از بازار سهام مصنوعی. J. Econ. دینامکنترا23 ، 9--10 ، 1487--1516. Google Scholarcross Ref
16. Malkiel ، B. G. 1973. یک پیاده روی تصادفی در وال استریت. W. W. نورتون ، نیویورک. گوگل دانشکده
17. McDonald ، D. M. ، Chen ، H. ، and Schumaker ، R. P. 2005. تبدیل اسناد منبع باز به شبکه های تروریستی: Terroet Arizona. در مجموعه مقالات انجمن کنفرانس اطلاعاتی مصنوعی آمریکا سمپوزهای بهاری. گوگل دانشکده
18. Mittermayer ، M.-A. 2004. پیش بینی روند قیمت سهام Intraday با تکنیک های استخراج متن. در مجموعه مقالات 37 مین کنفرانس بین المللی هاوایی در مورد سیستم های اجتماعی. کتابخانه Scholardigital Google
19. Moldovan ، D. ، Pasca ، M. ، Harabagiu ، S. ، and Surdeanu ، M. 2003. مسائل مربوط به عملکرد و تجزیه و تحلیل خطا در یک سیستم پاسخگویی به سؤال از دامنه باز. ACM Trans. آگاه کردن. syst21 ، 2 ، 133--154. کتابخانه Scholardigital Google
20. PAI ، P.-F. و لین ، C.-S. 2005. مدل آریما ترکیبی و مدل های بردار پشتیبانی در پیش بینی قیمت سهام. امگا 33 ، 6 ، 497--505. Google Scholarcross Ref
21. Platt ، J. C. 1999. آموزش سریع دستگاه های بردار پشتیبانی با استفاده از بهینه سازی حداقل پی در پی. در پیشرفت در روش های هسته: پشتیبانی از یادگیری بردار ، MIT Press ، 185-208. کتابخانه Scholardigital Google
22. Sekine ، S. and Nobata ، C. 2003. تعریف ، فرهنگ لغت و Tagger برای سلسله مراتب موجودیت نامگذاری شده. در مجموعه مقالات کنفرانس بین المللی منابع و ارزیابی زبان. گوگل دانشکده
23. SEO ، Y.-W. ، Giampapa ، J. ، and Sycara ، K. 2002. طبقه بندی متن برای مدیریت نمونه کارها هوشمند. Rep Tech. موسسه رباتیک ، دانشگاه کارنگی ملون. گوگل دانشکده
24. Tay ، F. and Cao ، L. 2001. استفاده از ماشین های بردار پشتیبانی در پیش بینی سری زمانی مالی. امگا 29 ، 309--317. Google Scholarcross Ref
25. تجزیه و تحلیل فنی. 2005. واژه نامه اصطلاحات و موضوعات فنی معامله گر. http://www. traders. com/documentation/resource_docs/glossary/glossary. html. گوگل دانشکده
26. Thomas ، J. D. and Sycara ، K. 2002. ادغام الگوریتم های ژنتیکی و یادگیری متن برای پیش بینی مالی. در مجموعه مقالات کنفرانس محاسبات ژنتیکی و تکاملی (GECCO). گوگل دانشکده
27. Tolle ، K. M. and Chen ، H. 2000. مقایسه تکنیک های بیان اسم برای استفاده با ابزارهای کتابخانه دیجیتال پزشکی. J. AmerSOC. آگاه کردن. علمی51 ، 4 ، 352--370. کتابخانه Scholardigital Google
28. Vanschoenwinkel ، B. 2003. یک رویکرد هسته گسسته برای پشتیبانی از یادگیری ماشین بردار در زبان مستقل نامگذاری شده در زبان. فناوری. هرزه. آزمایشگاه مدل سازی محاسباتی ، Vrije Universiteit ، بروکسل. گوگل دانشکده

ذکر شده توسط

شرایط صفحه اول

تجزیه و تحلیل متنی پیش بینی بازار سهام با استفاده از اخبار مالی: سیستم متن آزفین

بررسی

داوری: Jonathan P. E. Hodgson

"اطلاعات مربوط به گزارش های سه ماهه یا اخبار اخبار می تواند به طور چشمگیری بر قیمت سهم یک امنیت تأثیر بگذارد."تلاش های قبلی برای استفاده از تکنیک های یادگیری ماشین برای بهره برداری از چنین اطلاعاتی برای پیش بینی حرکات قیمت به استفاده از مجموعه ای از کلمات کلیدی از پیش شناسایی شده متکی است. در اینجا ، شوماکر و چن با استفاده از سایر عناصر زبانی برای پیش بینی ، به ویژه کیف های کلمات ، عبارات اسم و اشخاص نامگذاری شده آزمایش می کنند. سیستم آنها ابتدا ویژگی ها را از مقالات خبری استخراج می کند ، و سپس از مدل های مختلفی برای پیش بینی استفاده می کند: یک مدل رگرسیون و "سه مدل [که] از رگرسیون تحت نظارت ماشین های بردار پشتیبانی (SVM) استفاده می کنند."اولین مورد از این مدل ها فقط از اصطلاحات استخراج شده از مقاله استفاده می کند. مدل دوم از "شرایط و قیمت سهام در زمان انتشار مقاله" استفاده می کند. و سوم از "اصطلاحات و تخمین زده شده از قیمت سهام آینده" استفاده می کند. در همه موارد ، آینده 20 دقیقه بعد به معنی بود. برای هر یک از این مدل ها ، از هر یک از سه موجود مختلف استفاده شده است که 12 سیستم پیش بینی مختلف را ارائه می دهد. این آزمایشات با استفاده از داده ها برای دوره 26 اکتبر تا 28 نوامبر 2005 انجام شد. نویسندگان دریافتند که مدل دوم-یکی با استفاده از اصطلاحات و قیمت فعلی سهام در همه موارد بهترین عملکرد را دارد. عبارات اسم در پیش بینی جهت بهترین عملکرد را انجام می دهند ، در حالی که اشخاص نامگذاری شده هنگام جستجوی نزدیکی پیش بینی ، نتایج بهتری کسب کردند. شوماکر و چن آزمایش های دیگری را انجام دادند و از نمایشی استفاده کردند که از عبارات اسمی به عنوان اسم مناسب استفاده می کرد-ترکیبی از عبارات اسمی و موجودات نامگذاری شده. این مدل بهترین عملکرد را داشت. به نظر می رسد ارزش بررسی میزان استفاده از این بینش برای سایر سیستم های تحلیل متن را دارد. سرویس محاسبات آنلاین

به بررسی های انتقادی ادبیات محاسباتی در اینجا دسترسی پیدا کنید

برای بررسی های محاسباتی به یک داوری تبدیل شوید.

نظرات

گزینه های ورود به سیستم

بررسی کنید که آیا از طریق اعتبارنامه ورود به سیستم یا موسسه خود دسترسی دارید تا دسترسی کامل به این مقاله داشته باشید.