大數(shù)據(jù)視角下的社會(huì)化媒體對(duì)證券市場(chǎng)的影響研究

摘要
Abstract
1　導(dǎo)論
1．1　選題背景和研究意義
1．1．1　選題背景
1．1．2　研究意義
1．2　研究思路、研究方法和研究結(jié)構(gòu)
1．2．1　研究思路和研究方法
1．2．2　研究結(jié)構(gòu)
1．3　本書主要?jiǎng)?chuàng)新點(diǎn)
2　文獻(xiàn)綜述
2．1　證券市場(chǎng)波動(dòng)相關(guān)理論
2．1．1　現(xiàn)代經(jīng)典金融理論相關(guān)分析
2．1．2　行為金融理論相關(guān)分析
2．1．3　中國(guó)證券市場(chǎng)有效性研究及情緒影響分析
2．1．4　證券市場(chǎng)相關(guān)理論評(píng)述
2．2　投資者情緒與證券市場(chǎng)
2．2．1　投資者情緒的定義和衡量
2．2．2　投資者情緒與證券市場(chǎng)收益
2．2．3　現(xiàn)存問題與分析
2．3　社會(huì)化媒體與投資者情緒
2．3．1　社會(huì)化媒體研究現(xiàn)狀
2．3．2　社會(huì)化媒體情緒及其應(yīng)用分析
2．3．3　社會(huì)化媒體情緒研究評(píng)述
2．4　社會(huì)化媒體量化及其應(yīng)用
2．4．1　文本量化方法
2．4．2　預(yù)測(cè)分析模型
2．4．3　現(xiàn)存問題與分析
2．5　本章小結(jié)
3　系統(tǒng)總體設(shè)計(jì)
3．1　問題描述及解決思路
3．1．1　海量社會(huì)化媒體文本信息無(wú)法被自動(dòng)、高效、準(zhǔn)確獲取
3．1．2　社會(huì)化媒體包含了大量的雜亂無(wú)序的噪音信息，導(dǎo)致很難準(zhǔn)確判定其包含的投資者傾向性情感信息
3．1．3　基于社會(huì)化媒體的市場(chǎng)公眾情緒量化準(zhǔn)確率較低、監(jiān)測(cè)效能差
3．1．4　研究表明社會(huì)化媒體情緒對(duì)證券市場(chǎng)波動(dòng)存在影響，但如何準(zhǔn)確地刻畫其影響深度和廣度仍然是一個(gè)重大的挑戰(zhàn)
3．2　現(xiàn)狀分析
3．3　平臺(tái)總體結(jié)構(gòu)與數(shù)據(jù)處理流程
3．3．1　平臺(tái)總體結(jié)構(gòu)與功能模塊
3．3．2　總體數(shù)據(jù)處理流程
3．4　本章小結(jié)
4　社會(huì)化媒體量化與投資者情緒提取研究
4．1　研究現(xiàn)狀與解決思路
4．1．1　基于社會(huì)化媒體對(duì)證券市場(chǎng)波動(dòng)影響的研究現(xiàn)狀
4．1．2　解決思路
4．2　技術(shù)路線圖
4．3　社會(huì)化媒體數(shù)據(jù)獲取與相關(guān)處理
4．3．1　社會(huì)化媒體數(shù)據(jù)獲取
4．3．2　社會(huì)化媒體數(shù)據(jù)描述性統(tǒng)計(jì)分析
4．3．3　社會(huì)化媒體數(shù)據(jù)預(yù)處理
4．3．4　社會(huì)化媒體數(shù)據(jù)向量化表示
4．4　CSCNN深度神經(jīng)網(wǎng)絡(luò)情感判定模型
4．4．1　構(gòu)建訓(xùn)練樣本
4．4．2　CSCNN的構(gòu)建
4．4．3　CSCNN深度神經(jīng)網(wǎng)絡(luò)性能評(píng)估指標(biāo)
4．4．4　社會(huì)化媒體文本情感計(jì)算
4．4．5　CSCNN深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)驗(yàn)
4．4．6　CSCNN深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)驗(yàn)測(cè)評(píng)
4．4．7　社會(huì)化媒體文本情緒統(tǒng)計(jì)特征分析
4．5　本章小結(jié)
5　投資者情緒指數(shù)的構(gòu)造
5．1　研究現(xiàn)狀與構(gòu)造原理
5．1．1　國(guó)內(nèi)外研究現(xiàn)狀概述
5．1．2　SMISI指數(shù)構(gòu)造因子選擇
5．2　文本語(yǔ)句權(quán)重SR因子
5．2．1　相關(guān)理論介紹
5．2．2　社會(huì)化媒體語(yǔ)句權(quán)重SentenceRank算法
5．2．3　社會(huì)化媒體語(yǔ)句權(quán)重SentenceRank算法實(shí)驗(yàn)測(cè)評(píng)
5．3　用戶影響力UI因子
5．3．1　用戶影響力算法
5．3．2　用戶影響力算法實(shí)驗(yàn)測(cè)評(píng)
5．4　閱讀數(shù)量RC因子
5．4．1　閱讀數(shù)量因子算法
5．4．2　閱讀數(shù)量描述性統(tǒng)計(jì)分析
5．5　點(diǎn)贊數(shù)量LC因子
5．5．1　點(diǎn)贊數(shù)量因子算法
5．5．2　點(diǎn)贊數(shù)量統(tǒng)計(jì)分析
5．6　投資者情緒指數(shù)SMISI的構(gòu)造與分析
5．6．1　SMISI的構(gòu)造
5．6．2　SMISI與市場(chǎng)相關(guān)性統(tǒng)計(jì)分析
5．7　本章小結(jié)
6　SMISI對(duì)證券市場(chǎng)波動(dòng)的量化研究
6．1　投資者情緒對(duì)證券市場(chǎng)波動(dòng)的影響及其研究方法的比較與選擇
6．1．1　統(tǒng)計(jì)模型
6．1．2　計(jì)量經(jīng)濟(jì)學(xué)回歸模型
6．1．3　基于機(jī)器學(xué)習(xí)的模型
6．2　基于Fama五因子的SMISI與市場(chǎng)收益率實(shí)證分析
6．2．1　基本原理及模型構(gòu)建
6．2．2　模型數(shù)據(jù)來(lái)源及實(shí)證分析
6．3　基于VAR模型的SMISI與市場(chǎng)收益率實(shí)證分析
6．3．1　基本原理及模型設(shè)計(jì)
6．3．2　模型數(shù)據(jù)來(lái)源及實(shí)證分析
6．3．3　實(shí)證結(jié)論
6．4　基于情緒驅(qū)動(dòng)的S－LSTM深度神經(jīng)網(wǎng)絡(luò)模型
6．4．1　經(jīng)典LSTM理論基礎(chǔ)及問題
6．4．2　S-LSTM模型
6．4．3　S-LSTM性能評(píng)估指標(biāo)
6．4．4　S-LSTM深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)驗(yàn)
6．4．5　S-LSTM深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)驗(yàn)測(cè)評(píng)
6．4．6　基于S-LSTM深度神經(jīng)網(wǎng)絡(luò)的投資模擬
6．5　本章小結(jié)
7　面向證券市場(chǎng)策略的SMQIP檢驗(yàn)與分析
7．1　相關(guān)分析
7．1．1　技術(shù)可行性分析
7．1．2　相關(guān)法律問題探討
7．2　SMQIP決策支持總體設(shè)計(jì)
7．2．1　核心算法層
7．2．2　決策支持層
7．3　市場(chǎng)監(jiān)管支持
7．3．1　監(jiān)管部門決策參考
7．3．2　監(jiān)管部門決策應(yīng)用
7．4　公司管理支持
7．4．1　公司管理決策參考
7．4．2　公司管理決策應(yīng)用
7．5　投資決策支持
7．5．1　投資者決策參考
7．5．2　投資者決策應(yīng)用
7．6　本章小結(jié)
8　總結(jié)、不足與研究展望
8．1　研究總結(jié)
8．1．1　海量社會(huì)化媒體數(shù)據(jù)智能采集方案
8．1．2　中文語(yǔ)句卷積神經(jīng)網(wǎng)絡(luò)（CSCNN）情感極性判定核心算法
8．1．3　社會(huì)化媒體情緒指數(shù)SMISI
8．1．4　基于情緒驅(qū)動(dòng)的長(zhǎng)短期記憶（S-LSTM）深度神經(jīng)網(wǎng)絡(luò)模型
8．1．5　基于社會(huì)化媒體效應(yīng)量化智能平臺(tái)（SMQIP）的市場(chǎng)參與者決策支持
8．2　研究的不足與改進(jìn)
8．2．1　數(shù)據(jù)源類型不夠全面，尚有不足，需改進(jìn)
8．2．2　使用向量作為神經(jīng)網(wǎng)絡(luò)輸入的不足與改進(jìn)
8．2．3　模擬交易未考慮交易成本等因素的不足與改進(jìn)
8．3　研究展望
8．3．1　基于社會(huì)化媒體平臺(tái)操縱市場(chǎng)行為特征識(shí)別的研究
8．3．2　基于企業(yè)社會(huì)化媒體網(wǎng)絡(luò)的影響聯(lián)動(dòng)和疊加效應(yīng)研究
8．3．3　深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在證券市場(chǎng)領(lǐng)域的應(yīng)用方法創(chuàng)新研究
8．3．4　程序化交易數(shù)量日益增長(zhǎng)情景下的證券市場(chǎng)波動(dòng)研究
參考文獻(xiàn)
致謝