發(fā)布時間：2020-09-18 12:20

　　 股票市場表現(xiàn)的影響因素一直都是學(xué)者和股民討論的熱點,除了經(jīng)濟基本面及公司經(jīng)營情況外,大量研究表明投資者情緒也會對股市漲跌起到一定作用。尤其是中國這樣的新興市場,股市自成立至今不足30年,個人投資者盲目從眾、追漲殺跌的羊群效應(yīng)較為明顯。目前學(xué)術(shù)界對投資者情緒的測度方法主要是依賴證券市場交易數(shù)據(jù),如封閉式基金折價率、IPO首日溢價率等間接指標(biāo)作為投資者情緒的代理,其客觀性、時效性一般,對于投資者情緒衡量的準(zhǔn)確性無法保證。另一方面,隨著互聯(lián)網(wǎng)及Web2.0時代的發(fā)展,越來越多人參與到網(wǎng)絡(luò)社交媒體中進(jìn)行信息的交流和討論,并且也通過互聯(lián)網(wǎng)信息幫助自己做出決策。而股票論壇作為投資者交流與討論投資經(jīng)驗與觀點的平臺,其中蘊含了豐富的信息值得進(jìn)行挖掘和研究。本文從互聯(lián)網(wǎng)大數(shù)據(jù)挖掘這一創(chuàng)新視角出發(fā),利用Python編程抓取了新浪股吧中的股民發(fā)帖信息及新浪財經(jīng)多空投票數(shù)據(jù),通過文本情感分析技術(shù)提煉出投資者情緒指標(biāo),并與股票市場進(jìn)行了實證分析。研究發(fā)現(xiàn)網(wǎng)絡(luò)投資者情緒與股票市場收益率及成交量均呈現(xiàn)出較高的正相關(guān)性,且前者在短期內(nèi)有助于預(yù)測股市下一交易日的漲跌,而對成交量的影響作用通常超過10個交易日。同時,本文還基于研究結(jié)果為投資者優(yōu)化投資策略,以及為監(jiān)管層建立健康穩(wěn)定的投資環(huán)境,促進(jìn)我國股市健康發(fā)展提供了建議。
【學(xué)位單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：F832.51
【部分圖文】：

圖 1-1 技術(shù)路線Fig.1-1 Research Idea1.4 論文結(jié)構(gòu)本文主要分為六個部分，各章節(jié)的內(nèi)容安排如下所示：第一章：緒論。本章主要介紹論文的研究背景、研究目的和意義、研究方法、技術(shù)路線和論文結(jié)構(gòu)等。第二章：理論分析及文獻(xiàn)綜述。通過閱讀國內(nèi)外文獻(xiàn)，了解行為金融學(xué)理論對股票市場的解釋，并了解各時期學(xué)者們對于投資者情緒的衡量方式，梳理并總結(jié)前人的研究成果和經(jīng)驗，為本文打下扎實的理論基礎(chǔ)。第三章：數(shù)據(jù)來源選擇和收集。通過對比不同網(wǎng)站股票論壇的數(shù)據(jù)質(zhì)量和可操作性，選擇合適的數(shù)據(jù)來源，并利用 Python 爬蟲程序，對互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行抓取和存儲，便于后續(xù)分析。第四章：文本情感分析及投資者情緒指數(shù)的構(gòu)建。運用不同的文本分析技術(shù)，對下載的數(shù)據(jù)進(jìn)行深入挖掘和提煉，并對比不同情感分類技術(shù)的準(zhǔn)確性，從而構(gòu)

圖 2-1 基于機器學(xué)習(xí)的情感分類方法步驟1 Steps of sentiment analysis based on Machine Lear金融學(xué)理論角度出發(fā)，解釋了投資者情緒。其次，梳理了國內(nèi)外學(xué)者對于投資者情波動的實證研究結(jié)果，指出傳統(tǒng)視角下的、收集成本高及存在滯后性的缺陷。而隨率先開始嘗試從海量 Web2.0 數(shù)據(jù)中挖掘有多都是基于英語語言文本及歐美發(fā)達(dá)證券構(gòu)與英語存在較大差異，且中國證券市場關(guān)領(lǐng)域的研究相對還比較匱乏。目前國內(nèi)媒體角度來研究投資者情緒方面已經(jīng)做出相同，文本情感分析方法相對較為粗糙，此得出結(jié)論也無法統(tǒng)一，說服力不強。結(jié)前人的經(jīng)驗和不足基礎(chǔ)上，嘗試通過網(wǎng)

圖 4-1 基于情感詞典的情感分析算法邏輯Fig.4-1 steps of sentiment analysis based on sentiment dictionary示了本文基于情感詞典法的股評情感分類效果：表 4-1 基于情感詞典的情感分類效果評估Precision Recall F-measure樂觀 73.6% 75.5% 74.5%悲觀 77.1% 74.2% 75.6%發(fā)現(xiàn)，在所有樂觀情緒的帖子中，有 75.5%的帖子被算法法標(biāo)注為樂觀的帖子中，準(zhǔn)確率達(dá)到 73.6%；同樣，在所有 74.2%的帖子被算法識別了出來，而被算法標(biāo)注為悲觀的 77.7%�？梢钥闯觯�在我們擴充了基本情感詞典之后，情前學(xué)者的研究結(jié)論要提高了不少�？紤]到這一方法操作簡類有效性也達(dá)到了可以接受的水平。在下一節(jié)中我們將著算法，即目前學(xué)術(shù)界研究較為熱門的機器學(xué)習(xí)分類算法，分類準(zhǔn)確性。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程琬蕓;林杰;;社交媒體的投資者漲跌情緒與證券市場指數(shù)[J];管理科學(xué);2013年05期

2 周勝臣;施詢之;瞿文婷;石英子;孫韻辰;;基于微博搜索和SVM的股市時間序列預(yù)測研究[J];計算機與現(xiàn)代化;2013年04期

3 林振興;;網(wǎng)絡(luò)討論、投資者情緒與IPO抑價[J];山西財經(jīng)大學(xué)學(xué)報;2011年02期

4 池麗旭;莊新田;;中國證券市場的投資者情緒研究[J];管理科學(xué);2010年03期

5 易志高;茅寧;;中國股市投資者情緒測量研究:CICSI的構(gòu)建[J];金融研究;2009年11期

6 張強;楊淑娥;;中國股市橫截面收益特征與投資者情緒的實證研究[J];系統(tǒng)工程;2008年07期

7 張強;楊淑娥;楊紅;;中國股市投資者情緒與股票收益的實證研究[J];系統(tǒng)工程;2007年07期

8 伍燕然;韓立巖;;不完全理性、投資者情緒與封閉式基金之謎[J];經(jīng)濟研究;2007年03期

9 徐琳宏;林鴻飛;楊志豪;;基于語義理解的文本傾向性識別機制[J];中文信息學(xué)報;2007年01期

10 朱嫣嵐;閔錦;周雅倩;黃萱菁;吳立德;;基于HowNet的詞匯語義傾向計算[J];中文信息學(xué)報;2006年01期

相關(guān)碩士學(xué)位論文 前3條

1 宋敏晶;基于情感分析的股票預(yù)測模型研究[D];哈爾濱工業(yè)大學(xué);2013年

2 林炳燦;基于投資者情緒的網(wǎng)絡(luò)輿論對股票價格影響的統(tǒng)計研究[D];西南財經(jīng)大學(xué);2013年

3 李玉梅;基于互聯(lián)網(wǎng)評論的股票市場趨勢預(yù)測[D];哈爾濱工業(yè)大學(xué);2012年

本文編號：2821638