《Machine Learning with Applications》：Dual Stream Deep Learning for Fake News-Aware Stock Prediction: Integrating Technical Indicators and Sentiment Analysis
编辑推荐：
股票价格预测对投资者获取可观收益仍具挑战性。尽管人工智能模型已广泛应用，但多数研究聚焦于历史价格数据，较少有研究将技术指标与情感分析联合整合。此外，诸多现代情感分析技术忽视了虚假新闻的检测，导致预测结果不可靠。为应对上述局限，本研究提出了一种虚假新闻感知的双路
股票价格预测对投资者获取可观收益仍具挑战性。尽管人工智能模型已广泛应用，但多数研究聚焦于历史价格数据，较少有研究将技术指标与情感分析联合整合。此外，诸多现代情感分析技术忽视了虚假新闻的检测，导致预测结果不可靠。为应对上述局限，本研究提出了一种虚假新闻感知的双路预测框架，通过特征级联融合日收益率特征、技术指标及情感分析。该方法采用双路并行架构：首先利用基于BERT（Bidirectional Encoder Representations from Transformers，双向编码器表示）的虚假新闻检测模块过滤股票相关推文，继而采用RoBERTa（Robustly Optimized BERT Approach，稳健优化BERT方法）模型、一维卷积神经网络（1D-CNN）及双向长短期记忆网络（Bi-LSTM）提取日度情感特征。与此同时，另一路处理历史股价与技术指标。最终，全连接神经网络对融合后的统一特征进行处理以预测股价。该模型在88只股票上进行评估，平均准确率约为81%。对于苹果公司（AAPL），作为单只股票表现最佳案例，平均准确率达到93.44%。总体而言，该模型在基准数据集上表现出改进的性能，尤其对于社交媒体活跃度高的股票，在相同评估设置下较近期模型实现了更高的平均准确率、F1分数、AUC（Area Under the Curve，曲线下面积）和MCC（Matthews Correlation Coefficient，马修斯相关系数）。
股票市场作为全球经济的核心组成部分，为投资者提供资本回报渠道，同时为企业运营扩张提供所需资金。准确预测股价波动可带来显著经济收益，因此成为备受追捧的研究方向。然而，由于市场复杂性与波动性，至今仍无单一方法能够持续保持优越表现，即便经验丰富的分析师亦面临市场随机性与非线性行为的挑战。传统分析方法包括基本面分析与技术性分析两类：前者评估企业财务状况与市场地位，但存在复杂耗时、主观解释偏差等问题，难以捕捉短期市场波动；后者通过历史股价与成交量数据识别重复模式与趋势，尤其适用于短期预测，但忽视了可能影响股价的更广泛市场条件与宏观经济因素。此外，定量分析方法虽可针对不同投资周期定制预测模型，但其假设市场理性的前提与金融市场中常见的非理性行为相矛盾，短期预测的变异性亦限制了预测精度。
近年来，人工智能技术在医疗健康、制造业、零售业、生活服务及网络安全等领域产生深远影响。机器学习（Machine Learning, ML）作为人工智能的核心子集，已广泛应用于历史股票数据分析，常见算法包括支持向量机（Support Vector Machine, SVM）、朴素贝叶斯（Na?ve Bayes, NB）、决策树（Decision Tree, DT）及随机森林（Random Forest, RF）。然而，传统机器学习方法难以捕捉金融市场中固有的复杂非线性关系，且缺乏有效建模序列与时间序列数据的能力。以长短期记忆网络（Long Short-Term Memory, LSTM）为代表的深度学习架构虽在时间序列任务中表现突出，但其单向处理序列的局限性促使双向长短期记忆网络（Bi-LSTM）应运而生，该架构可同时学习前向与后向依赖关系，从序列数据中提取更丰富的特征信息。
自然语言处理（Natural Language Processing, NLP）的进展推动了社交媒体应用中的情感分析，使其成为股价预测的新颖方法。然而，现有研究存在明显不足：技术指示器使用常受限或未与文本信息联合优化；多数模型未整合社交媒体平台的情感分析；即便纳入情感分析，亦缺乏BERT等先进Transformer架构的应用；更为重要的是，现有模型多假设文本数据可靠或仅隐式处理噪声，未明确检测与过滤可能严重损害预测精度与模型稳健性的虚假新闻。
针对上述研究空白，Ahmed Arafa等研究人员开展了股票市场预测框架的构建工作，相关成果发表于《Machine Learning with Applications》。该研究整合24项技术指标与日收盘价收益率特征，结合基于Transformer的公众推文情感分析，并通过专门的虚假新闻检测模块增强信号质量。该多特征集经混合深度学习架构处理，融合一维卷积神经网络用于局部特征提取，以及双向长短期记忆网络捕获长程时序依赖。
研究采用的关键技术方法包括：基于Twitter平台88只股票2014年1月至2016年1月的公开推文数据集，该数据集为ACL18 StockNet公开基准数据，涵盖技术、消费品、医疗健康等九大行业；历史股价数据包含开盘价、最低价、最高价、收盘价及成交量五类特征；虚假新闻检测采用基于编码器架构的BERT模型，将新闻分类为真实（0）或虚假（1）；情感分析采用RoBERTa预训练模型，将股票新闻分类为正面（1）、负面（-1）或中性（0）；通过9种不同情感指数量化每日整体新闻情感状态，其中日度情感指数（Daily Sentiment, DS）表现最优；数值型特征处理采用Min-Max归一化；模型架构采用双路并行CNN-Bi-LSTM结构，每路均配置3个滤波器的一维卷积层与16单元的双向长短期记忆层，最终生成32维特征；特征级联融合技术指示器、日收益率特征与情感特征后，经10节点隐藏层的全连接神经网络输出预测收盘价；训练采用Adam优化器，学习率0.001，30轮迭代，批量大小32。
研究结果部分依据原文结构呈现如下。
**不同情感指数的模型性能评估**
研究人员评估了9种情感指数对模型性能的影响，分别采用RoBERTa、DistilRoBERTa和FinBERT三种情感分析模型，在3、6、9时间步的设置下进行对比。结果表明，采用RoBERTa情感分析模型结合日度情感指数（DS）在3时间步配置下实现最优性能，平均准确率达81.14%，MCC为66.06%，AUC和F1均为80.94%，显著优于其他情感指数组合。
**不同输入形式的模型性能评估**
研究人员对比了原始收盘价、日收益率和日收益率百分比三种股价输入形式。结果显示，日收益率作为输入特征在3时间步设置下表现最佳，而原始收盘价和日收益率百分比的表现明显较差，验证了日收益率特征在捕捉价格波动信息方面的优越性。
**结合虚假新闻检测的情感分析评估**
研究人员对比了BERT与ALBERT两种Transformer模型在虚假新闻检测中的效果，并与RoBERTa情感分析及日度情感指数结合进行股价预测。结果表明，BERT模型在3时间步设置下表现最优，平均准确率80.93%，MCC 65.92%，F1 80.76%，AUC 80.84%。研究人员特别指出，由于多只股票推文量有限，虚假新闻过滤的平均效果有所稀释，故进一步以AAPL和FB两只高推文量股票作为典型案例深入分析。
**模型组件消融研究**
消融研究从全样本和单股票两个层面量化各组件贡献。全样本层面，仅使用CNN-Bi-LSTM框架（无技术指示器、无情感分析、无虚假新闻检测）及孤立使用情感分析或虚假新闻检测的模型表现接近随机（准确率约50%，MCC接近零），而引入技术指示器后性能大幅提升，表明技术指示器是预测性能的首要驱动因素；在此基础上叠加情感分析与虚假新闻检测可带来额外但适度的性能增益，尤其在较短时间窗口更为明显。单股票层面，以AAPL和FB为对象的分析显示：无技术指示器时性能薄弱不稳定；加入技术指示器后性能显著改善；三者结合实现最优表现，AAPL在3时间步配置下达93.44%准确率、86.48% MCC、92.61% F1和91.66% AUC。研究揭示虚假新闻检测效果具有股票依赖性，高推文量股票获益更明显。
**跨股票变异性与统计显著性**
研究人员报告了88只股票在不同回溯窗口下的均值与标准差。3时间步设置在各指标上均达到最高平均性能，延长回溯窗口导致性能渐进下降。准确率四分位数显示：3时间步设置下，25%分位为76.22%，中位数81.97%，75%分位88.52%，最大值98.36%。配对假设检验（标准p值检验与Wilcoxon符号秩检验）表明，所提模型相较基线在所有指标上均具有统计显著性提升（p值与Wilcoxon p值均远低于0.05显著性水平）。
**基于回归的价格预测结果**
在价格回归预测任务中，研究人员报告了AAPL和FB的R2、MAE、RMSE等指标。6时间步配置在两支股票上均实现最高R2和最低误差，优于3时间步和9时间步配置。
**与现有研究的对比分析**
研究人员在相同ACL88只股票数据集、相同时间区间、相同次日预测任务及相同评估协议下，与Pagolu、Hu、Wu、Xu、Feng、Liu、Ding、Yoo、Zhang等近期研究进行了系统比较。所提模型在平均准确率（81.14%）、F1分数（80.94%）、AUC（80.94%）和MCC（66.06%）上均显著优于对比模型，优势源于三方面：24项技术指标的充分利用、基于BERT的虚假新闻检测、以及RoBERTa情感分析与日度情感指数的有效结合。
在讨论部分，研究人员指出：技术指示器构成预测骨架，文本信息作为补充信号精化个股预测；虚假新闻移除对高讨论度股票提升显著，但对低活动度股票效果不一；过滤操作可能因推文量减少而损失信息；虚假新闻检测效果依赖于社交媒体活跃水平。未来研究将拓展至新股票数据集与多社交媒体平台情感分析，优化模型参数，并纳入全球市场特征与本地市场特征。
结论部分指出，本研究提出的股票波动预测模型基于技术指示器、市场新闻情感分析及虚假新闻检测，包含三个阶段：第一阶段从股价数据提取实质性特征并计算技术指示器；第二阶段通过BERT模型进行虚假新闻检测后，对股票新闻进行RoBERTa情感分析；第三阶段利用全连接神经网络预测股票波动。该模型在88只股票及对应Twitter公开推文数据集上进行评估，AAPL单只股票准确率达93.44%，88只股票平均准确率约81%。实验结果表明，虚假新闻移除提升了高讨论度股票（如AAPL和FB）的预测性能，但该效果并非普适于所有股票，尤其对社交媒体存在度低的股票效果有限。尽管框架对高讨论度股票表现突出，研究人员承认其有效性在不同股票间存在差异，未来工作将聚焦于低活动度股票的稳健性提升及更广泛市场条件下的泛化验证，并探索适应性的虚假新闻处理策略。
