书籍详情
大数据视角下的社会化媒体对证券市场的影响研究
作者：谢志龙 著
出版社：西南财经大学出版社
出版时间：2019-07-01
ISBN：9787550440616
定价：¥78.00
购买这本书可以去
内容简介
《大数据视角下的社会化媒体对证券市场的影响研究》利用定向分布式爬虫从社会化媒体平台获取完整的文本信息， 提出中文语句卷积神经网络（Chinese Sentence Convolutional Neural Network， CSCNN）核心算法可以根据中文语法和语义结构提取文本情绪，结合社会化媒体文本信息的结构特点构建出准确代表社会化媒体中投资者情绪的指数（Social Media Investor Sentiment Index，SMISI），在基于社会化媒体情绪驱动的长短期记忆深度神经网络（Sentiment-driven Long Short-Term Memory，S-LSTM）核心算法基础上搭建证券市场社会化媒体效应量化智能平台（Social Media Quantitative Intelligent Platform，SMQIP），用于探析社会化媒体投资者情绪对证券市场影响的深度和广度。
作者简介
暂缺《大数据视角下的社会化媒体对证券市场的影响研究》作者简介
目录
摘要
Abstract
1 导论
1．1 选题背景和研究意义
1．1．1 选题背景
1．1．2 研究意义
1．2 研究思路、研究方法和研究结构
1．2．1 研究思路和研究方法
1．2．2 研究结构
1．3 本书主要创新点
2 文献综述
2．1 证券市场波动相关理论
2．1．1 现代经典金融理论相关分析
2．1．2 行为金融理论相关分析
2．1．3 中国证券市场有效性研究及情绪影响分析
2．1．4 证券市场相关理论评述
2．2 投资者情绪与证券市场
2．2．1 投资者情绪的定义和衡量
2．2．2 投资者情绪与证券市场收益
2．2．3 现存问题与分析
2．3 社会化媒体与投资者情绪
2．3．1 社会化媒体研究现状
2．3．2 社会化媒体情绪及其应用分析
2．3．3 社会化媒体情绪研究评述
2．4 社会化媒体量化及其应用
2．4．1 文本量化方法
2．4．2 预测分析模型
2．4．3 现存问题与分析
2．5 本章小结
3 系统总体设计
3．1 问题描述及解决思路
3．1．1 海量社会化媒体文本信息无法被自动、高效、准确获取
3．1．2 社会化媒体包含了大量的杂乱无序的噪音信息，导致很难准确判定其包含的投资者倾向性情感信息
3．1．3 基于社会化媒体的市场公众情绪量化准确率较低、监测效能差
3．1．4 研究表明社会化媒体情绪对证券市场波动存在影响，但如何准确地刻画其影响深度和广度仍然是一个重大的挑战
3．2 现状分析
3．3 平台总体结构与数据处理流程
3．3．1 平台总体结构与功能模块
3．3．2 总体数据处理流程
3．4 本章小结
4 社会化媒体量化与投资者情绪提取研究
4．1 研究现状与解决思路
4．1．1 基于社会化媒体对证券市场波动影响的研究现状
4．1．2 解决思路
4．2 技术路线图
4．3 社会化媒体数据获取与相关处理
4．3．1 社会化媒体数据获取
4．3．2 社会化媒体数据描述性统计分析
4．3．3 社会化媒体数据预处理
4．3．4 社会化媒体数据向量化表示
4．4 CSCNN深度神经网络情感判定模型
4．4．1 构建训练样本
4．4．2 CSCNN的构建
4．4．3 CSCNN深度神经网络性能评估指标
4．4．4 社会化媒体文本情感计算
4．4．5 CSCNN深度神经网络训练实验
4．4．6 CSCNN深度神经网络训练实验测评
4．4．7 社会化媒体文本情绪统计特征分析
4．5 本章小结
5 投资者情绪指数的构造
5．1 研究现状与构造原理
5．1．1 国内外研究现状概述
5．1．2 SMISI指数构造因子选择
5．2 文本语句权重SR因子
5．2．1 相关理论介绍
5．2．2 社会化媒体语句权重SentenceRank算法
5．2．3 社会化媒体语句权重SentenceRank算法实验测评
5．3 用户影响力UI因子
5．3．1 用户影响力算法
5．3．2 用户影响力算法实验测评
5．4 阅读数量RC因子
5．4．1 阅读数量因子算法
5．4．2 阅读数量描述性统计分析
5．5 点赞数量LC因子
5．5．1 点赞数量因子算法
5．5．2 点赞数量统计分析
5．6 投资者情绪指数SMISI的构造与分析
5．6．1 SMISI的构造
5．6．2 SMISI与市场相关性统计分析
5．7 本章小结
6 SMISI对证券市场波动的量化研究
6．1 投资者情绪对证券市场波动的影响及其研究方法的比较与选择
6．1．1 统计模型
6．1．2 计量经济学回归模型
6．1．3 基于机器学习的模型
6．2 基于Fama五因子的SMISI与市场收益率实证分析
6．2．1 基本原理及模型构建
6．2．2 模型数据来源及实证分析
6．3 基于VAR模型的SMISI与市场收益率实证分析
6．3．1 基本原理及模型设计
6．3．2 模型数据来源及实证分析
6．3．3 实证结论
6．4 基于情绪驱动的S－LSTM深度神经网络模型
6．4．1 经典LSTM理论基础及问题
6．4．2 S-LSTM模型
6．4．3 S-LSTM性能评估指标
6．4．4 S-LSTM深度神经网络训练实验
6．4．5 S-LSTM深度神经网络训练实验测评
6．4．6 基于S-LSTM深度神经网络的投资模拟
6．5 本章小结
7 面向证券市场策略的SMQIP检验与分析
7．1 相关分析
7．1．1 技术可行性分析
7．1．2 相关法律问题探讨
7．2 SMQIP决策支持总体设计
7．2．1 核心算法层
7．2．2 决策支持层
7．3 市场监管支持
7．3．1 监管部门决策参考
7．3．2 监管部门决策应用
7．4 公司管理支持
7．4．1 公司管理决策参考
7．4．2 公司管理决策应用
7．5 投资决策支持
7．5．1 投资者决策参考
7．5．2 投资者决策应用
7．6 本章小结
8 总结、不足与研究展望
8．1 研究总结
8．1．1 海量社会化媒体数据智能采集方案
8．1．2 中文语句卷积神经网络（CSCNN）情感极性判定核心算法
8．1．3 社会化媒体情绪指数SMISI
8．1．4 基于情绪驱动的长短期记忆（S-LSTM）深度神经网络模型
8．1．5 基于社会化媒体效应量化智能平台（SMQIP）的市场参与者决策支持
8．2 研究的不足与改进
8．2．1 数据源类型不够全面，尚有不足，需改进
8．2．2 使用向量作为神经网络输入的不足与改进
8．2．3 模拟交易未考虑交易成本等因素的不足与改进
8．3 研究展望
8．3．1 基于社会化媒体平台操纵市场行为特征识别的研究
8．3．2 基于企业社会化媒体网络的影响联动和叠加效应研究
8．3．3 深度学习神经网络在证券市场领域的应用方法创新研究
8．3．4 程序化交易数量日益增长情景下的证券市场波动研究
参考文献
致谢
Abstract
1 导论
1．1 选题背景和研究意义
1．1．1 选题背景
1．1．2 研究意义
1．2 研究思路、研究方法和研究结构
1．2．1 研究思路和研究方法
1．2．2 研究结构
1．3 本书主要创新点
2 文献综述
2．1 证券市场波动相关理论
2．1．1 现代经典金融理论相关分析
2．1．2 行为金融理论相关分析
2．1．3 中国证券市场有效性研究及情绪影响分析
2．1．4 证券市场相关理论评述
2．2 投资者情绪与证券市场
2．2．1 投资者情绪的定义和衡量
2．2．2 投资者情绪与证券市场收益
2．2．3 现存问题与分析
2．3 社会化媒体与投资者情绪
2．3．1 社会化媒体研究现状
2．3．2 社会化媒体情绪及其应用分析
2．3．3 社会化媒体情绪研究评述
2．4 社会化媒体量化及其应用
2．4．1 文本量化方法
2．4．2 预测分析模型
2．4．3 现存问题与分析
2．5 本章小结
3 系统总体设计
3．1 问题描述及解决思路
3．1．1 海量社会化媒体文本信息无法被自动、高效、准确获取
3．1．2 社会化媒体包含了大量的杂乱无序的噪音信息，导致很难准确判定其包含的投资者倾向性情感信息
3．1．3 基于社会化媒体的市场公众情绪量化准确率较低、监测效能差
3．1．4 研究表明社会化媒体情绪对证券市场波动存在影响，但如何准确地刻画其影响深度和广度仍然是一个重大的挑战
3．2 现状分析
3．3 平台总体结构与数据处理流程
3．3．1 平台总体结构与功能模块
3．3．2 总体数据处理流程
3．4 本章小结
4 社会化媒体量化与投资者情绪提取研究
4．1 研究现状与解决思路
4．1．1 基于社会化媒体对证券市场波动影响的研究现状
4．1．2 解决思路
4．2 技术路线图
4．3 社会化媒体数据获取与相关处理
4．3．1 社会化媒体数据获取
4．3．2 社会化媒体数据描述性统计分析
4．3．3 社会化媒体数据预处理
4．3．4 社会化媒体数据向量化表示
4．4 CSCNN深度神经网络情感判定模型
4．4．1 构建训练样本
4．4．2 CSCNN的构建
4．4．3 CSCNN深度神经网络性能评估指标
4．4．4 社会化媒体文本情感计算
4．4．5 CSCNN深度神经网络训练实验
4．4．6 CSCNN深度神经网络训练实验测评
4．4．7 社会化媒体文本情绪统计特征分析
4．5 本章小结
5 投资者情绪指数的构造
5．1 研究现状与构造原理
5．1．1 国内外研究现状概述
5．1．2 SMISI指数构造因子选择
5．2 文本语句权重SR因子
5．2．1 相关理论介绍
5．2．2 社会化媒体语句权重SentenceRank算法
5．2．3 社会化媒体语句权重SentenceRank算法实验测评
5．3 用户影响力UI因子
5．3．1 用户影响力算法
5．3．2 用户影响力算法实验测评
5．4 阅读数量RC因子
5．4．1 阅读数量因子算法
5．4．2 阅读数量描述性统计分析
5．5 点赞数量LC因子
5．5．1 点赞数量因子算法
5．5．2 点赞数量统计分析
5．6 投资者情绪指数SMISI的构造与分析
5．6．1 SMISI的构造
5．6．2 SMISI与市场相关性统计分析
5．7 本章小结
6 SMISI对证券市场波动的量化研究
6．1 投资者情绪对证券市场波动的影响及其研究方法的比较与选择
6．1．1 统计模型
6．1．2 计量经济学回归模型
6．1．3 基于机器学习的模型
6．2 基于Fama五因子的SMISI与市场收益率实证分析
6．2．1 基本原理及模型构建
6．2．2 模型数据来源及实证分析
6．3 基于VAR模型的SMISI与市场收益率实证分析
6．3．1 基本原理及模型设计
6．3．2 模型数据来源及实证分析
6．3．3 实证结论
6．4 基于情绪驱动的S－LSTM深度神经网络模型
6．4．1 经典LSTM理论基础及问题
6．4．2 S-LSTM模型
6．4．3 S-LSTM性能评估指标
6．4．4 S-LSTM深度神经网络训练实验
6．4．5 S-LSTM深度神经网络训练实验测评
6．4．6 基于S-LSTM深度神经网络的投资模拟
6．5 本章小结
7 面向证券市场策略的SMQIP检验与分析
7．1 相关分析
7．1．1 技术可行性分析
7．1．2 相关法律问题探讨
7．2 SMQIP决策支持总体设计
7．2．1 核心算法层
7．2．2 决策支持层
7．3 市场监管支持
7．3．1 监管部门决策参考
7．3．2 监管部门决策应用
7．4 公司管理支持
7．4．1 公司管理决策参考
7．4．2 公司管理决策应用
7．5 投资决策支持
7．5．1 投资者决策参考
7．5．2 投资者决策应用
7．6 本章小结
8 总结、不足与研究展望
8．1 研究总结
8．1．1 海量社会化媒体数据智能采集方案
8．1．2 中文语句卷积神经网络（CSCNN）情感极性判定核心算法
8．1．3 社会化媒体情绪指数SMISI
8．1．4 基于情绪驱动的长短期记忆（S-LSTM）深度神经网络模型
8．1．5 基于社会化媒体效应量化智能平台（SMQIP）的市场参与者决策支持
8．2 研究的不足与改进
8．2．1 数据源类型不够全面，尚有不足，需改进
8．2．2 使用向量作为神经网络输入的不足与改进
8．2．3 模拟交易未考虑交易成本等因素的不足与改进
8．3 研究展望
8．3．1 基于社会化媒体平台操纵市场行为特征识别的研究
8．3．2 基于企业社会化媒体网络的影响联动和叠加效应研究
8．3．3 深度学习神经网络在证券市场领域的应用方法创新研究
8．3．4 程序化交易数量日益增长情景下的证券市场波动研究
参考文献
致谢
猜您喜欢
