典型文献
基于多源数据深度融合的金融时间序列预测
文献摘要：
文章提出一种双阶段深度学习的金融时间序列预测模型,研究股民评论、金融新闻资讯与股票指标多源数据对股票市场波动的影响.该模型运用word2vec并结合卷积神经网络对非结构化文本数据进行情感分析,计算情感权重并与股票指数联合;通过双向长短时记忆网络结合注意力机制关注文本重点语义分布,提升全局时序信息敏感度,从而完成非线性、时变性的股指预测.所提模型相比于单一使用股票指数,其均方误差降低0.264,比BiLSTM股票预测模型降低了0.186.实证结果表明,端对端的多源数据融合情感分析模型能够有效解决因多级因素导致的股票市场波动性与不规律性,从而对股票指数进行预测.
文献关键词：
深度学习;多源数据;情感分析;金融时间序列预测
中图分类号：
作者姓名：
刘颖;李惠迪;谭博元
作者机构：
吉林财经大学管理科学与信息工程学院,长春 130117;吉林财经大学吉林省金融科技重点实验室,长春 130117;吉林财经大学吉林省商务大数据研究中心,长春 130117
文献出处：
引用格式：
[1]刘颖;李惠迪;谭博元-.基于多源数据深度融合的金融时间序列预测)[J].统计与决策,2022(23):52-56
A类：
B类：
数据深度,金融时间序列预测,双阶段,时间序列预测模型,股民,金融新闻,新闻资讯,word2vec,非结构化,结构化文本,文本数据,情感分析,股票指数,数联,双向长短时记忆网络,注意力机制,注文,时序信息,时变性,股指预测,均方误差,BiLSTM,股票预测,端对端,多源数据融合,股票市场波动性
AB值：
0.31218
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
