|
|
|
本書分為以下八章：
第一章，導論。主要介紹選題背景、研究的意義、研究的思路和方法、全書的結構安排以及主要創新點。
第二章，文獻綜述。主要對社會化媒體量化、市場情緒和社會化媒體對證券市場波動影響三個方面的理論和文獻進行了系統的回顧和梳理。本章為研究社會化媒體量化、剖析社會化媒體信息與證券市場波動的關係和防範系統性金融風險研究提供強有力的支持和論證。
第三章，系統總體設計。從系統總體設計的角度，自上向下對本書的邏輯模塊和流程進行概述，對系統的數據處理流程進行說明，明確證券市場社會化媒體效應智能解決方案中模塊之間的關係，理順系統從數據抓取到文本信息處理情感提取，再到利用深度學習神經網路對社會化媒體與證券市場波動的影響進行關聯分析的流程。確保系統模塊完整和研究順利推進。
第四章，社會化媒體量化與投資者情緒提取研究。首先對社會化媒體信息的抓取、過濾、預處理和詞彙量化過程進行了描述；隨後提出依據中文語句的語法和語義結構構建中文語句卷積神經網路（CSCNN）核心算法對文本情感極性進行判定；接著對情感判定模型進行了比較研究。
第五章，投資者情緒指數的構造。借鑑傳統指數構造原理，利用社會化媒體平台文本信息結構特點，創新性地提出基於內容相似度矩陣、引用關係矩陣和回復關係矩陣的社會化媒體文本語句權重SentenceRrak算法計算語句權重，結合用戶影響力因子、閱讀數量因子和點讚數量因子，構造了社會化媒體投資者情緒指數（SMISI），為後續研究提供了重要的特徵變量。
第六章，SMISI對證券市場波動的量化研究。通過實證研究，首先將SMISI與Fama五因子模型結合，驗證了SMISI對證券市場收益率的系統性影響；接著利用VAR模型研究SMISI對證券市場波動影響的深度和廣度。隨後提出基於社會化媒體情緒驅動的S－LSTM深度神經網路模型核心算法，更加準確地捕捉社會化媒體投資者情緒對證券市場的影響效應，並通過模擬的方式驗證了SMISI在量化投資中應用的可行性。
第七章，面向證券市場策略的SMQIP檢驗與分析。從市場監管者、上市公司和投資者三個不同的角度剖析了社會化媒體信息引導市場情緒，導致證券市場資產價格波動，甚至影響金融穩定的內在機理。並利用具體案例從以上三個角度分別驗證了基於大數據的證券市場社會化媒體效應量化智能平台（SMQIP）的應用可行性。
第八章，總結、不足與研究展望，對全書進行了總結，對研究中存在的不足進行了分析和反思，對於金融智能領域的研究熱點和方向以及未來可能進行的研究計劃進行了展望。
本書的主要創新點包括以下三個方面：
創新點一：提出了一個基於深度學習的公眾情緒文本挖掘方法，綜合考慮文本內容和質量的影響，以捕捉社會化媒體中的公眾情緒。
創新點二：基於社會化媒體大數據，研究和優化了證券市場情緒指數的構建方法。在研究社會化媒體信息量化及其對證券市場波動的影響中，發現社會化媒體信息不僅對個股存在顯著影響，股票板塊指數也同樣會對社會化媒體信息中的情緒傾向有所反應。
創新點三：集成情緒判定、文本賦權和情緒指數市場效應評估等核心算法，構建了情緒對證券市場波動的影響分析的系統原型。
作者簡介
謝志龍
西南財經大學經濟資訊工程學院教師。分別於2000年、2006年獲得西南財經大學理學學士、管理學碩士。現為西南財經大學在讀博士。2011年到2012年英國雪菲爾大學訪問學者。主持中央高校基本科研專案一項，參與教育部人文社科專案兩項。研究興趣包括金融智慧，大資料分析，資料採擷，人工智慧，機器學習，自然語言處理，深度神經網路，演算法交易等。
1 導論 …………………………………………………………………… （1）
1.1 選題背景和研究意義 ……………………………………………… （1）
1.1.1 選題背景 ……………………………………………………… （1）
1.1.2 研究意義 ……………………………………………………… （6）
1.2 研究思路、研究方法和研究結構 ………………………………… （9）
1.2.1 研究思路和研究方法 ………………………………………… （9）
1.2.2 研究結構 …………………………………………………… （12）
1.3 本書主要創新點 ………………………………………………… （14）
2 文獻綜述……………………………………………………………… （17）
2.1 證券市場波動相關理論 ………………………………………… （17）
2.1.1 現代經典金融理論相關分析 ……………………………… （17）
2.1.2 行為金融理論相關分析 …………………………………… （19）
2.1.3 中國證券市場有效性研究及情緒影響分析 ……………… （22）
2.1.4 證券市場相關理論評述 …………………………………… （24）
2.2 投資者情緒與證券市場 ………………………………………… （25）
2.2.1 投資者情緒的定義和衡量 ………………………………… （26）
2.2.2 投資者情緒與證券市場收益 ……………………………… （29）
2.2.3 現存問題與分析 …………………………………………… （32）
2.3 社會化媒體與投資者情緒 ……………………………………… （35）
2.3.1 社會化媒體研究現狀 ……………………………………… （36）
2.3.2 社會化媒體情緒及其應用分析 …………………………… （38）
2.3.3 社會化媒體情緒研究評述 ………………………………… （40）
2.4 社會化媒體量化及其應用 ………………………………………… （41）
2.4.1 文本量化方法 ……………………………………………… （41）
2.4.2 預測分析模型 ……………………………………………… （46）
2.4.3 現存問題與分析 …………………………………………… （51）
2.5 本章小結 ………………………………………………………… （53）
3 系統總體設計 ……………………………………………………… （55）
3.1 問題描述及解決思路 …………………………………………… （55）
3.1.1 海量社會化媒體文本信息無法被自動、高效、準確獲取 … （55）
3.1.2 社會化媒體包含了大量的雜亂無序的噪音信息，導致很難準確判定其包含的投資者傾向性情感信息 …………………… （57）
3.1.3 基於社會化媒體的市場公眾情緒量化準確率較低、監測效能差……………………………………………………………… （59）
3.1.4 研究表明社會化媒體情緒對證券市場波動存在影響，但如何準確地刻畫其影響深度和廣度仍然是一個重大的挑戰 … （60）
3.2 現狀分析 ………………………………………………………… （61）
3.3 平臺總體結構與數據處理流程 ………………………………… （64）
3.3.1 平臺總體結構與功能模塊 ………………………………… （64）
3.3.2 總體數據處理流程 ………………………………………… （67）
3.4 本章小結 ………………………………………………………… （68）
4 社會化媒體量化與投資者情緒提取研究……………………… （70）
4.1 研究現狀與解決思路 …………………………………………… （70）
4.1.1 基於社會化媒體對證券市場波動影響的研究現狀 ……… （70）
4.1.2 解決思路 …………………………………………………… （72）
4.2 技術路線圖 ……………………………………………………… （73）
4.3 社會化媒體數據獲取與相關處理 ……………………………… （74）
4.3.1 社會化媒體數據獲取 ……………………………………… （74）
4.3.2 社會化媒體數據描述性統計分析 ………………………… （76）
4.3.3 社會化媒體數據預處理 …………………………………… （77）
4.3.4 社會化媒體數據向量化表示 ……………………………… （80）
4.4 CSCNN深度神經網路情感判定模型…………………………… （84）
4.4.1 構建訓練樣本 ……………………………………………… （84）
4.4.2 CSCNN的構建 ……………………………………………… （87）
4.4.3 CSCNN深度神經網路性能評估指標 ……………………… （93）
4.4.4 社會化媒體文本情感計算 ………………………………… （94）
4.4.5 CSCNN深度神經網路訓練實驗 …………………………… （95）
4.4.6 CSCNN深度神經網路訓練實驗測評 ……………………… （96）
4.4.7 社會化媒體文本情緒統計特徵分析 ……………………… （98）
4.5 本章小結 ………………………………………………………… （100）
5 投資者情緒指數的構造 ………………………………………… （102）
5.1 研究現狀與構造原理 …………………………………………… （102）
5.1.1 國內外研究現狀概述 ……………………………………… （102）
5.1.2 SMISI指數構造因子選擇 ………………………………… （105）
5.2 文本語句權重SR因子 ………………………………………… （106）
5.2.1 相關理論介紹 ……………………………………………… （106）
5.2.2 社會化媒體語句權重Sentence Rank算法 ………………… （108）
5.2.3 社會化媒體語句權重Sentence Rank算法實驗測評 ……… （110）
5.3 用戶影響力UI因子 …………………………………………… （113）
5.3.1 用戶影響力算法 …………………………………………… （113）
5.3.2 用戶影響力算法實驗測評 ………………………………… （113）
5.4 閱讀數量RC因子 ……………………………………………… （115）
5.4.1 閱讀數量因子算法 ………………………………………… （115）
5.4.2 閱讀數量描述性統計分析 ………………………………… （115）
5.5 點讚數量LC因子 ……………………………………………… （117）
5.5.1 點讚數量因子算法 ………………………………………… （117）
5.5.2 點讚數量統計分析 ………………………………………… （118）
5.6 投資者情緒指數SMISI的構造與分析………………………… （119）
5.6.1 SMISI的構造 ……………………………………………… （120）
5.6.2 SMISI與市場相關性統計分析 …………………………… （121）
5.7 本章小結 ………………………………………………………… （124）
6 SMISI對證券市場波動的量化研究…………………………… （126）
6.1 投資者情緒對證券市場波動的影響及其研究方法的比較與選擇…………………………………………………………………… （126）
6.1.1 統計模型 …………………………………………………… （127）
6.1.2 計量經濟學迴歸模型 ……………………………………… （127）
6.1.3 基於機器學習的模型 ……………………………………… （128）
6.2 基於Fama五因子的SMISI與市場收益率實證分析………… （128）
6.2.1 基本原理及模型構建 ……………………………………… （128）
6.2.2 模型數據來源及實證分析 ………………………………… （130）
6.3 基於VAR模型的SMISI與市場收益率實證分析 …………… （135）
6.3.1 基本原理及模型設計 ……………………………………… （135）
6.3.2 模型數據來源及實證分析 ………………………………… （137）
6.3.3 實證結論 …………………………………………………… （142）
6.4 基於情緒驅動的S－LSTM深度神經網路模型 ……………… （142）
6.4.1 經典LSTM理論基礎及問題 ……………………………… （143）
6.4.2 S－LSTM模型 ……………………………………………… （145）
6.4.3 S－LSTM性能評估指標 …………………………………… （149）
6.4.4 S－LSTM深度神經網路訓練實驗 ………………………… （150）
6.4.5 S－LSTM深度神經網路訓練實驗測評 …………………… （152）
6.4.6 基於S－LSTM深度神經網路的投資模擬 ………………… （156）
6.5 本章小結 ………………………………………………………… （158）
7 面向證券市場策略的SMQIP檢驗與分析 ………………… （160）
7.1 相關分析 ………………………………………………………… （160）
7.1.1 技術可行性分析 …………………………………………… （161）
7.1.2 相關法律問題探討 ………………………………………… （162）
7.2 SMQIP決策支持總體設計 …………………………………… （163）
7.2.1 核心算法層 ………………………………………………… （164）
7.2.2 決策支持層 ………………………………………………… （165）
7.3 市場監管支持 …………………………………………………… （167）
7.3.1 監管部門決策參考 ………………………………………… （167）
7.3.2 監管部門決策應用 ………………………………………… （168）
7.4 公司管理支持 …………………………………………………… （171）
7.4.1 公司管理決策參考 ………………………………………… （172）
7.4.2 公司管理決策應用 ………………………………………… （173）
7.5 投資決策支持 …………………………………………………… （174）
7.5.1 投資者決策參考 …………………………………………… （174）
7.5.2 投資者決策應用 …………………………………………… （175）
7.6 本章小結 ………………………………………………………… （177）
8 總結、不足與研究展望 …………………………………………… （178）
8.1 研究總結 ………………………………………………………… （178）
8.1.1 海量社會化媒體數據智能採集方案 ……………………… （178）
8.1.2 中文語句卷積神經網路（CSCNN）情感極性判定核心算法… （179）
8.1.3 社會化媒體情緒指數SMISI ……………………………… （179）
8.1.4 基於情緒驅動的長短期記憶（S－LSTM）深度神經網路模型…（179）
8.1.5 基於社會化媒體效應量化智能平台（SMQIP）的市場參與者決策支持 …………………………………………… （180）
8.2 研究的不足與改進 ……………………………………………… （180）
8.2.1 數據源類型不夠全面，尚有不足，需改進 ………………… （180）
8.2.2 使用向量作為神經網路輸入的不足與改進 ……………… （180）
8.2.3 模擬交易未考慮交易成本等因素的不足與改進 ………… （181）
8.3 研究展望 ………………………………………………………… （181）
8.3.1 基於社會化媒體平臺操縱市場行為特徵識別的研究 …… （181）
8.3.2 基於企業社會化媒體網路的影響聯動和疊加效應研究… （182）
8.3.3 深度學習神經網路在證券市場領域的應用方法創新研究…（182）
8.3.4程序化交易數量日益增長情景下的證券市場波動研究…… （182）
參考文獻 ………………………………………………………………… （183）
