基于大语言模型的金融舆情指数对股票市场波动率的预测能力——与传统的情绪词典比较 .docxVIP

  • 2
  • 0
  • 约1.49万字
  • 约 20页
  • 2026-11-16 发布于北京
  • 举报

基于大语言模型的金融舆情指数对股票市场波动率的预测能力——与传统的情绪词典比较 .docx

PAGE2

基于大语言模型的金融舆情指数对股票市场波动率的预测能力——与传统的情绪词典比较

摘要

本文聚焦于大语言模型(LLM)在金融舆情指数构建中的应用,探讨其对股票市场波动率的预测能力,并与传统Loughran-McDonald(L-M)情绪词典进行系统性比较。研究基于财经新闻与雪球帖文,采用GPT模型生成情感分数,构建GARCH-MIDAS模型评估预测精度。全文遵循“提出问题→分析问题→解决问题”的逻辑递进展开。第一章提出传统词典在语境捕捉上的局限;第二章梳理相关文献并确立切入点;第三章界定核心概念与理论基础;第四章剖析传统舆情指数生成中的内在矛盾与本质;第五章阐释LLM舆情指数的作用机制与边界;第六章构建LLM替代传统词典的理论框架;第七章总结结论与启示;第八章反思局限并展望未来。研究表明,LLM生成的舆情指数在长短期波动率预测精度上显著优于传统词典,为金融科技领域的情绪测度提供了新理论框架。

第一章绪论

1.1研究背景

随着互联网与移动通信技术的飞速发展,金融市场的信息传播格局发生了深刻变革。海量财经新闻与社交媒体帖文成为投资者获取信息、表达情绪的主要载体。这些非结构化文本数据蕴含着丰富的市场情绪,对资产定价与波动率产生显著影响。传统金融理论往往假设投资者完全理性,但行为金融学指出,情绪是驱动市场波动的重要力量。如何精准量化文本情绪,成为理解市场波动的关键。

然

您可能关注的文档

文档评论(0)

1亿VIP精品文档

相关文档