《基于Word2Vec词向量模型和TextRNN+LSTM模型的投资者情绪变化分析》.docx

基于Word2Vec词向量模型和TextRNN+LSTM模型的投资者情绪变化分析

摘要

随着机器学习、情感分析技术的广泛快速发展，原本认为难以量化分析的投资者情感可以通过投资者在网络空间的留言内容作为分析其情感的切入点。此外结合文本数据分析模型能够几何级别地提升分析效率，且相关模型中拟合度较好的模型准确率一般可以达到85-90%。运用神经网络建模分析文本情感，预测舆情变化趋势成为热门话题，循环神经网络因相较于CNN有更强的持续学习能力和更好的学习效果而更受欢迎。

本文探讨了人们在网络投资者社区评论中所蕴含的情感状态，从东方财富网上证指数股吧爬取用户评论数据保存并进行情感分析，使用Word2Vec词向量模型将评论文本转化为词向量，用于对投资者情绪进行模拟。从而模拟中国证券投资者的投资情绪变化。统计投资者留下评论中所蕴含的积极、消极、中性情感，结合TextRNN+LSTM分析模型有选择性地分析判断用户情感倾向与证券走势的相互关系，提出了投资者的情绪会在几天的时间里对证券市场产生一定程度的影响，在影响程度较为明显时，利好政策的出现对投资者情绪的影响较为明显。同时也证实了从统计学角度来看，投资者情绪变化是股市收益产生波动的其中一个充分条件。本文也对LSTM模型使用过程进行总结分析，探讨该模型未来在情感分析领域的突破与发展。例如改进模型结构，增加逻辑层数，减少梯度下降造成的损失。

本文的创新点在于：1、运用LSTM与其他模型结合使用以解决RNN模型在预测文本数据时常常出现的梯度消失或梯度爆炸问题、2、使用TextRNN用于长文本处理。

关键词：网络爬虫；文本数据分析；神经网络；LSTM模型

目录

TOC\o1-2\h\z\u16590绪论 1

592（一）研究背景与意义 1

19342（二）文献综述 1

10805一、相关理论分析与应用 3

29710（一）网络文本对情绪的反应 3

26183（二）计算机量化金融行为的发展 4

23742（三）神经网络量化文本情绪的发展 4

7328二、分析模型的选择与组合 5

4886（一）模型选择 5

28052（二）LSTM模型的优势 5

17383（三）TextRNN与LSTM的结合 7

28984三、基于LSTM模型的运用 8

29528（一）数据获取 8

15856（二）文本情感评价 10

23980（三）文本特征提取 10

26783（四）模型结构建立 11

3900（五）检验指标的选择 12

29492四、分析结果与检验 13

30034（一）载入训练集 13

1180（二）载入测试集 13

30402（三）模型的准确性检验 14

23918（四）模型优化策略与结果 14

23166（五）模型成果总结 15

22217结论 15

13161（一）模型优势与不足 15

25908（二）研究过程的反思 16

1087（三）总结与未来展望 16

10123主要参考文献 17

9039附录 18

绪论

（一）研究背景与意义

投资者因为各种各样的原因，对未来的市场发展、资产收益的预期存在偏差REF_Ref25737\r\h[11]，这样的偏差并不是无迹可寻，除此之外，行为金融学的研究学者认为上述特性是可以被量化的。而在其量化方式的选择上，随着文本学习技术的发展，从网络文本为切入点，通过文本数据分析个体投资情绪的方式成为可能。而针对投资者情绪的变量研究也从一维变量逐渐向高维发展，这就为使用机器学习等方法建立分析模型，分析参与者行为创造了理论基础和条件。通过对于网络用户的评论文本分析，人们得以研究一段时间内网络用户的情感倾向。

通过神经网络相关技术来针对投资者情绪进行研究有很多实践性意义：对于相关网络文本的情感分析可以探索中国投资者的情绪与市场变化的关联，建立符合情况的投资者情绪文本词典，而针对这方面的研究能够完善对于中国市场的金融投资行为研究理论的补充，对中国投资者的投资行为与心理理论的完善做出贡献，分析我国投资者对于金融市场活动以及各类相关消息、舆论的反应程度与态度，有助于我国更好地完善股票市场产品的定价机制和管理体制并关注投资者的心理状态，如可以运用相关文本分析技术将包括评论在内的网络文本数据转化为词向量，用相关分词后的文本数据进行训练和模拟预测未来的情感趋势。

在机器学习的应用实践中，有一种研究方法是对投资者的行为数据进行挖掘与分析，将金融理论知识同计算机技术相结合始终是十分热门的课题，通过大数据和机器学习构建投资者模型，不仅可以分析价格变动的深