基于文本挖掘技術(shù)的金融預(yù)測(cè)方法研究.pdf

1、隨著世界經(jīng)濟(jì)全球化及世界金融業(yè)的不斷發(fā)展,金融活動(dòng)中的不確定性增加,金融預(yù)測(cè)日益受到學(xué)術(shù)界及金融業(yè)界的高度重視。人們希望通過(guò)對(duì)金融經(jīng)營(yíng)管理活動(dòng)中難以確定的未來(lái)發(fā)展趨勢(shì)和規(guī)律進(jìn)行研究,做出預(yù)見(jiàn)性的判斷與推測(cè),使金融活動(dòng)中的不確定性最小化,為制定金融計(jì)劃和金融決策提供依據(jù)。近年來(lái)由于海量金融信息的出現(xiàn),數(shù)據(jù)挖掘技術(shù)在金融預(yù)測(cè)領(lǐng)域開(kāi)始得到廣泛研究與應(yīng)用,但大多數(shù)的研究只局限于數(shù)值信息。海量金融信息中有大量的數(shù)據(jù)是以文本的形式存在,如何從這些文

2、本信息中挖掘出有價(jià)值的信息變得異常重要。為了提高金融預(yù)測(cè)的準(zhǔn)確度,本文主要研究將文本挖掘相關(guān)技術(shù)引入到金融預(yù)測(cè)領(lǐng)域。在金融文本預(yù)處理方面,對(duì)金融報(bào)告的語(yǔ)義標(biāo)注進(jìn)行了研究,在標(biāo)注的金融文本基礎(chǔ)上，對(duì)金融報(bào)告的可信度進(jìn)行了分析。進(jìn)而基于文本挖掘相關(guān)技術(shù),對(duì)金融預(yù)測(cè)的兩個(gè)重要問(wèn)題:金融時(shí)間序列及金融短期波動(dòng)率進(jìn)行了預(yù)測(cè)研究。本研究?jī)?nèi)容主要包括：
　?、琶嫦蚪鹑陬A(yù)測(cè)的年報(bào)語(yǔ)義標(biāo)注方法研究。年度報(bào)告已經(jīng)成為投資者進(jìn)行金融預(yù)測(cè)時(shí)重要的信息來(lái)源

3、。為了使投資者更方便和更準(zhǔn)確檢索到所需信息進(jìn)行預(yù)測(cè),針對(duì)中文與英文年報(bào),本文分別提出了基于領(lǐng)域本體和自然語(yǔ)言處理技術(shù)的語(yǔ)義標(biāo)注方法與基于正則表達(dá)式的半自動(dòng)語(yǔ)義標(biāo)注方法。對(duì)中文年報(bào)的公司基本信息及英文年報(bào)的管理層討論與分析部分所進(jìn)行的語(yǔ)義標(biāo)注實(shí)驗(yàn)表明,所提出方法是有效的。
　?、苹谖谋就诰蚣夹g(shù)的年報(bào)可信度研究。上市公司的年報(bào)是投資者進(jìn)行金融預(yù)測(cè)的重要信息來(lái)源,當(dāng)上市公司的報(bào)告造假時(shí),所做的預(yù)測(cè)將無(wú)效并將給市場(chǎng)參與者帶來(lái)巨大損失。已

4、有的研究表明基于語(yǔ)言特征的識(shí)別方法在造假識(shí)別方面是一種有效的方式。本文在年報(bào)可信度分析領(lǐng)域引入了無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法,基于已標(biāo)注的年報(bào)管理層討論與分析部分,提出了一種以文本語(yǔ)言特征為基礎(chǔ)的層次聚類方法。該方法包含三個(gè)步驟:將年度報(bào)告的文本數(shù)據(jù)以特征向量方式表示;選擇最佳相似度計(jì)算函數(shù)和連通方法;執(zhí)行層次聚類,識(shí)別造假年度報(bào)告。為了驗(yàn)證所提出方法的有效性,本文應(yīng)用所提出的算法對(duì)十家上市公司的年度報(bào)告分別進(jìn)行實(shí)驗(yàn),對(duì)比實(shí)驗(yàn)結(jié)果表明,所提出的方

5、法具有較好的性能。
　　⑶基于文本挖掘技術(shù)的金融時(shí)間序列預(yù)測(cè)方法研究。金融時(shí)間序列預(yù)測(cè)是金融預(yù)測(cè)領(lǐng)域的一個(gè)重要問(wèn)題,但因其充滿噪聲、非平穩(wěn)和混沌性,對(duì)它的預(yù)測(cè)成為一個(gè)非常具有挑戰(zhàn)性的課題。文本數(shù)據(jù)中包含著有價(jià)值的預(yù)測(cè)信息,但大多數(shù)現(xiàn)有的預(yù)測(cè)模型并沒(méi)有考慮到伴隨著時(shí)間序列的文本數(shù)據(jù)。為了克服這一局限性,在保證年報(bào)可信度的情況下,本文提出了一種組合采用數(shù)值和文本信息,通過(guò)結(jié)合差分自回歸移動(dòng)平均模型(ARIMA)和支持向量回歸模型(SV

6、R)的方法進(jìn)行金融時(shí)間序列預(yù)測(cè)。該方法包含三個(gè)步驟:將文本數(shù)據(jù)表示為特征向量,使用基于數(shù)值的ARIMA模型分析時(shí)間序列的線性部分,基于文本特征向量的支持向量回歸模型處理非線性部分。為了驗(yàn)證該方法的有效性,本文選擇六家上市公司的季度末凈資產(chǎn)收益率(ROE)時(shí)間序列作為預(yù)測(cè)對(duì)象。對(duì)比目前現(xiàn)有主流模型,本文模型表現(xiàn)了更為優(yōu)異的性能。這表明本文所提出的使用額外文本數(shù)據(jù)進(jìn)行預(yù)測(cè)的模型,是一種有效的金融時(shí)間序列預(yù)測(cè)方法。
　?、然谥С窒蛄炕?/p>

7、歸的馬爾科夫轉(zhuǎn)換多重分形模型金融短期波動(dòng)率預(yù)測(cè)方法研究。金融時(shí)間序列波動(dòng)率因?yàn)槠溟L(zhǎng)期記憶,厚尾和波動(dòng)持久等特性,受到研究者的廣泛關(guān)注。多重分形過(guò)程最近成為解決金融時(shí)間序列波動(dòng)率預(yù)測(cè)問(wèn)題的一個(gè)新方法,一種迭代馬爾科夫轉(zhuǎn)換多重分形模型(MSM)被引入這一領(lǐng)域,它能夠捕捉到金融時(shí)間序列許多重要的內(nèi)在特征,該模型在長(zhǎng)期預(yù)測(cè)方面表現(xiàn)出良好的性能。為了提高馬爾科夫轉(zhuǎn)換多重分形模型短期預(yù)測(cè)的準(zhǔn)確性,本文將文本挖掘的重要技術(shù):支持向量機(jī)技術(shù)引入到波動(dòng)率