通过FinGPT驱动的情绪分析、技术指标、历史价格数据以及基于注意力的混合深度学习模型，提升股票市场价格预测的准确性

《Scientific Reports》：Enhancing stock market price prediction through FinGPT-driven sentiment analysis, technical indicators, historical price data, and attention-based hybrid deep learning models

　　

摘要

准确的股票价格预测越来越依赖于能够整合传统定量指标之外的各种市场信号的模型。传统的情绪分析工具和基于词典的方法往往无法捕捉金融语言中的语境和领域特定特征，从而限制了其预测能力。为了解决这些问题，本研究引入了一种多模态预测框架，该框架利用了专门为理解市场相关文本而训练的先进金融大型语言模型FinGPT。FinGPT被用来从推特数据中提取高精度的情绪极性得分，取代了传统的情绪分析模型，从而更准确地反映投资者的心理状态。这些情绪特征与历史股票价格及技术指标相结合，形成了一个全面的输入数据集。该数据集被用于评估四种深度学习架构：CNN、LSTM、基于注意力机制的LSTM（ALSTM），以及一种新提出的带有注意力机制的混合ALSTM-CNN模型。在八只纳斯达克和纽约证券交易所的个股上的实验表明，引入FinGPT生成的情绪数据显著提升了所有模型的预测精度。其中，混合模型表现最佳，能够有效捕捉长期依赖关系和短期市场动态。实验结果证实，与传统的情绪分析方法相比，基于FinGPT的情绪建模具有更高的预测价值，能够实现更加真实、考虑市场行为的股票价格预测。例如，在AMD股票的预测中，该模型获得了最低的均方误差（46.06）和最高的R2值（0.624），显示出其在捕捉非线性依赖关系和市场动态方面的优势。总体而言，这种结合了定量和定性市场信号的增强型混合框架，为股票价格预测提供了更为可靠和真实的解决方案。