大數(shù)據(jù)視角下的社會化媒體對證券市場的影響研究

摘要
Abstract
1　導論
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　本書主要創(chuàng)新點
2　文獻綜述
2．1　證券市場波動相關(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　中國證券市場有效性研究及情緒影響分析
2．1．4　證券市場相關(guān)理論評述
2．2　投資者情緒與證券市場
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收益
2．2．3　現(xiàn)存問題與分析
2．3　社會化媒體與投資者情緒
2．3．1　社會化媒體研究現(xiàn)狀
2．3．2　社會化媒體情緒及其應(yīng)用分析
2．3．3　社會化媒體情緒研究評述
2．4　社會化媒體量化及其應(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
3．1　問題描述及解決思路
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
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
3．1．3　基于社會化媒體的市場公眾情緒量化準確率較低、監(jiān)測效能差
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(zhàn)
3．2　現(xiàn)狀分析
3．3　平臺總體結(jié)構(gòu)與數(shù)據(jù)處理流程
3．3．1　平臺總體結(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　基于社會化媒體對證券市場波動影響的研究現(xiàn)狀
4．1．2　解決思路
4．2　技術(shù)路線圖
4．3　社會化媒體數(shù)據(jù)獲取與相關(guān)處理
4．3．1　社會化媒體數(shù)據(jù)獲取
4．3．2　社會化媒體數(shù)據(jù)描述性統(tǒng)計分析
4．3．3　社會化媒體數(shù)據(jù)預(yù)處理
4．3．4　社會化媒體數(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)性能評估指標
4．4．4　社會化媒體文本情感計算
4．4．5　CSCNN深度神經(jīng)網(wǎng)絡(luò)訓練實驗
4．4．6　CSCNN深度神經(jīng)網(wǎng)絡(luò)訓練實驗測評
4．4．7　社會化媒體文本情緒統(tǒng)計特征分析
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　文本語句權(quán)重SR因子
5．2．1　相關(guān)理論介紹
5．2．2　社會化媒體語句權(quán)重SentenceRank算法
5．2．3　社會化媒體語句權(quán)重SentenceRank算法實驗測評
5．3　用戶影響力UI因子
5．3．1　用戶影響力算法
5．3．2　用戶影響力算法實驗測評
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)計分析
5．5　點贊數(shù)量LC因子
5．5．1　點贊數(shù)量因子算法
5．5．2　點贊數(shù)量統(tǒng)計分析
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與市場相關(guān)性統(tǒng)計分析
5．7　本章小結(jié)
6　SMISI對證券市場波動的量化研究
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
6．1．1　統(tǒng)計模型
6．1．2　計量經(jīng)濟學回歸模型
6．1．3　基于機器學習的模型
6．2　基于Fama五因子的SMISI與市場收益率實證分析
6．2．1　基本原理及模型構(gòu)建
6．2．2　模型數(shù)據(jù)來源及實證分析
6．3　基于VAR模型的SMISI與市場收益率實證分析
6．3．1　基本原理及模型設(shè)計
6．3．2　模型數(shù)據(jù)來源及實證分析
6．3．3　實證結(jié)論
6．4　基于情緒驅(qū)動的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性能評估指標
6．4．4　S-LSTM深度神經(jīng)網(wǎng)絡(luò)訓練實驗
6．4．5　S-LSTM深度神經(jīng)網(wǎng)絡(luò)訓練實驗測評
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　面向證券市場策略的SMQIP檢驗與分析
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
7．2．1　核心算法層
7．2．2　決策支持層
7．3　市場監(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　海量社會化媒體數(shù)據(jù)智能采集方案
8．1．2　中文語句卷積神經(jīng)網(wǎng)絡(luò)（CSCNN）情感極性判定核心算法
8．1．3　社會化媒體情緒指數(shù)SMISI
8．1．4　基于情緒驅(qū)動的長短期記憶（S-LSTM）深度神經(jīng)網(wǎng)絡(luò)模型
8．1．5　基于社會化媒體效應(yīng)量化智能平臺（SMQIP）的市場參與者決策支持
8．2　研究的不足與改進
8．2．1　數(shù)據(jù)源類型不夠全面，尚有不足，需改進
8．2．2　使用向量作為神經(jīng)網(wǎng)絡(luò)輸入的不足與改進
8．2．3　模擬交易未考慮交易成本等因素的不足與改進
8．3　研究展望
8．3．1　基于社會化媒體平臺操縱市場行為特征識別的研究
8．3．2　基于企業(yè)社會化媒體網(wǎng)絡(luò)的影響聯(lián)動和疊加效應(yīng)研究
8．3．3　深度學習神經(jīng)網(wǎng)絡(luò)在證券市場領(lǐng)域的應(yīng)用方法創(chuàng)新研究
8．3．4　程序化交易數(shù)量日益增長情景下的證券市場波動研究
參考文獻
致謝