基于新闻和RNN的股票预测方法提升5%准确率

该论文《基于新闻特征抽取和循环神经网络的股票预测方法》探讨了一种结合新闻信息与深度学习技术来提高股票价格预测精度的方法。作者张泽亚、黄丽明和陈翀等人来自北京大学计算机科学与技术系、北京师范大学政府管理学院以及北京大学大数据科学研究中心，他们共同研究了股票市场中新闻特征对于预测的重要性。 论文的目的是挖掘新闻中的关键信息并利用循环神经网络（RNN）模型来捕捉股票价格的时间序列模式以及新闻影响的持续性。在特征抽取阶段，研究人员不仅考虑传统的股价信息，还通过经验选取具有代表性的种子词，计算其对股票价格的利好或利空倾向，并以此构建新闻特征向量。这种方法旨在捕捉到新闻情绪对市场动态的影响。 文章指出，传统的基于价格特征的SVM分类器在股票涨跌预测上可能效果有限。相比之下，作者提出的基于新闻特征和RNN的模型能够在实验中显著提升约5%的预测准确率，这在商业和金融领域具有实际价值。此外，该研究还得到了国家自然科学基金项目的资金支持，以及北京大学的教学创新项目。 论文的关键点包括：利用循环神经网络处理时序数据、新闻特征抽取的策略、以及与传统方法相比的性能改进。它为股票市场预测提供了一个新颖且可能更全面的视角，表明新闻分析和深度学习技术相结合在金融市场分析中的潜力。