利用集成BERT情感分析的Node Transformer架构进行股市预测
《IEEE Access》:Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis
【字体:
大
中
小
】
时间:2026年05月13日
来源:IEEE Access 3.6
编辑推荐:
摘要:股票市场预测对投资者、金融机构和政策制定者来说是一项重大挑战,因为他们在复杂的市场环境中运作,这些市场环境的特点是噪声、非平稳性和行为动态。传统的预测方法,包括基本面分析和技术指标,往往无法捕捉金融市场固有的复杂模式和横截面依赖性。本文提出了一种集成框架,该框架结合了节点变
摘要:
股票市场预测对投资者、金融机构和政策制定者来说是一项重大挑战,因为他们在复杂的市场环境中运作,这些市场环境的特点是噪声、非平稳性和行为动态。传统的预测方法,包括基本面分析和技术指标,往往无法捕捉金融市场固有的复杂模式和横截面依赖性。本文提出了一种集成框架,该框架结合了节点变换器架构和基于Transformer的双向编码器表示(BERT)进行情感分析,用于股票价格预测。所提出的模型将股票市场表示为一个图结构,其中个股构成节点,边则捕捉包括行业归属、价格相关性和供应链连接在内的关系。一个经过微调的BERT模型从社交媒体帖子中提取情感信息,并通过基于注意力的融合机制将其与定量市场特征相结合。节点变换器处理历史市场数据,同时捕捉股票之间的时间演变和横截面依赖性。在1982年1月至2025年3月的20只标准普尔500指数股票上进行的实验表明,该集成模型在一天内的预测中实现了0.80%的平均绝对百分比误差(MAPE),而ARIMA模型的MAPE为1.20%,LSTM模型的MAPE为1.00%。情感分析的引入使预测误差总体降低了10%,在收益公告期间降低了25%,而基于图的架构通过捕捉股票间的依赖性进一步提高了15%的预测准确性。一天内的预测方向准确率达到了65%。通过配对t检验进行的统计验证确认了这些改进的显著性(所有比较的p < 0.05)。该模型在高波动性时期保持较低的误差,MAPE为1.50%,而基线模型的MAPE在1.60%到2.10%之间。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号