一种基于金融文本情感分析的股票指数预测新方法

摘要

研究目标:探讨如何对媒体报道、公司新闻等非结构化数据进行文本分析,并应用于股票价格波动预测.研究方法:提出一种基于金融文本情感分析的指数预测模型SA-BERT-LSTM,对沪深300指数的涨跌进行预测.研究发现:情感分析特征能够有效提高模型预测的准确率;相比三种对照模型(BP神经网络、支持向量机、XGBoost),SA-BERT-LSTM模型预测精度更高;该模型同样适用于个股价格预测.研究创新:将BERT模型应用到财经新闻情感分析中,将情感特征与股市行情交易数据结合,有效提高了股指趋势预测的准确率.研究价值:本文将文本情感引入金融市场预测领域的尝试,有助于促进人工智能、机器学习在经济学中的研究与应用,为推进国家人工智能战略落地实施提供参考.