大數據視角下的社會化媒體對證券市場的影響研究

內容簡介

《大數據視角下的社會化媒體對證券市場的影響研究》利用定向分散式爬蟲從社會化媒體平台獲取完整的文本信息，提出中文語句卷積神經網路（Chinese Sentence Convolutional Neural Network， CSCNN）核心算法可以根據中文語法和語義結構提取文本情緒，結合社會化媒體文本信息的結構特點構建出準確代表社會化媒體中投資者情緒的指數（Social Media Investor Sentiment Index，SMISI），在基於社會化媒體情緒驅動的長短期記憶深度神經網路（Sentiment-driven Long Short-Term Memory，S-LSTM）核心算法基礎上搭建證券市場社會化媒體效應量化智慧型平台（Social Media Quantitative Intelligent Platform，SMQIP），用於探析社會化媒體投資者情緒對證券市場影響的深度和廣度。

圖書目錄

摘要

Abstract

1　導論

1．1　選題背景和研究意義

1．1．1　選題背景

1．1．2　研究意義

1．2　研究思路、研究方法和研究結構

1．2．1　研究思路和研究方法

1．2．2　研究結構

1．3　本書主要創新點

2　文獻綜述

2．1　證券市場波動相關理論

2．1．1　現代經典金融理論相關分析

2．1．2　行為金融理論相關分析

2．1．3　中國證券市場有效性研究及情緒影響分析

2．1．4　證券市場相關理論評述

2．2　投資者情緒與證券市場

2．2．1　投資者情緒的定義和衡量

2．2．2　投資者情緒與證券市場收益

2．2．3　現存問題與分析

2．3　社會化媒體與投資者情緒

2．3．1　社會化媒體研究現狀

2．3．2　社會化媒體情緒及其套用分析

2．3．3　社會化媒體情緒研究評述

2．4　社會化媒體量化及其套用

2．4．1　文本量化方法

2．4．2　預測分析模型

2．4．3　現存問題與分析

2．5　本章小結

3　系統總體設計

3．1　問題描述及解決思路

3．1．1　海量社會化媒體文本信息無法被自動、高效、準確獲取

3．1．2　社會化媒體包含了大量的雜亂無序的噪音信息，導致很難準確判定其包含的投資者傾向性情感信息

3．1．3　基於社會化媒體的市場公眾情緒量化準確率較低、監測效能差

3．1．4　研究表明社會化媒體情緒對證券市場波動存在影響，但如何準確地刻畫其影響深度和廣度仍然是一個重大的挑戰

3．2　現狀分析

3．3　平台總體結構與數據處理流程

3．3．1　平台總體結構與功能模組

大數據視角下的社會化媒體對證券市場的影響研究

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條