基于大数据的证券市场财经信息效应研究

参考文献

7.4 未来展望

7.3 不足与改进

7.2.3 对于证券投资者的决策建议

7.2.2 对于上市公司管理者的治理建议

7.2.1 对于证券市场监管者的政策建议

7.2 政策建议

7.1.3 基于深度学习的证券市场新闻媒体效应的精准捕捉

7.1.2 互联网财经新闻与证券市场关联性的深入细致探索

7.1.1 互联网财经新闻的自动获取、主题分类与情感量化

7.1 研究总结

7 研究总结、政策建议、不足与未来展望

6.5 本章小结

6.4.6 基于N-LSTM模型的投资策略

6.4.5 N-LSTM模型在不同高管媒体行为中的表现：基于管理者视角

6.4.4 N-LSTM模型在不同行业公司中的表现：基于受动者视角

6.4.3 N-LSTM模型在不同主题新闻中的表现：基于施动者视角

6.4.2 新闻驱动方法效果研究

6.4.1 基准模型效果研究

6.4 研究结果与分析

6.3.5 模型性能评估指标

6.3.4 对比实验设置

6.3.3 基于新闻驱动的N-LSTM模型

6.3.2 主要变量的衡量

6.3.1 样本选择与数据来源

6.3 研究设计

6.2 LSTM模型的基本原理及问题

6.1 模型选择

6 基于深度学习的证券市场新闻媒体效应的精准捕捉

5.5 本章小结

5.4.4 总结与分析

5.4.3 实证结果

5.4.2 相关系数分析

5.4.1 描述性统计分析

5.4 实证结果与分析

5.3.3 模型的构建与设定

5.3.2 主要变量的衡量

5.3.1 样本选择与数据来源

5.3 研究设计

5.2.3 公司管理者与证券市场媒体效应：基于管理者视角

5.2.2 新闻与各行业公司股票：基于受动者视角

5.2.1 异质性新闻与证券市场：基于施动者视角

5.2 研究假设

5.1 资产定价理论概述

5 互联网财经新闻与证券市场的关联性分析

4.4 本章小结

4.3 互联网财经新闻的情感量化

4.2.3 互联网财经新闻的主题自动分类实验分析

4.2.2 互联网财经新闻的主题自动分类技术路线

4.2.1 文本分类的流程与思路

4.2 互联网财经新闻的主题分类

4.1.2 互联网财经新闻的描述性统计分析

4.1.1 互联网财经新闻的自动获取框架

4.1 互联网财经新闻的自动获取

4 互联网财经新闻的自动获取、主题分类与情感量化

3.4 本章小结

3.3 研究技术路线

3.2 研究问题描述

3.1 研究总体框架

3 研究总体设计

2.4 本章小结

2.3.4 本节评述

2.3.3 洞悉媒体与证券市场关系的分析模型

2.3.2 媒体信息的量化方法

2.3.1 媒体信息的分类方法

2.3 媒体信息的分类、量化方法及媒体与证券市场关系的分析模型研究

2.2.3 本节评述

2.2.2 媒体信息中的投资者情绪对证券市场的影响研究

2.2.1 投资者情绪的定义与度量

2.2 投资者情绪及其对证券市场的影响研究

2.1.3 本节评述

2.1.2 新闻信息对证券市场的影响研究

2.1.1 证券市场媒体效应存在性研究

2.1 证券市场媒体效应研究

2 文献综述

1.3 本书的创新点

1.2.3 研究内容

1.2.2 研究方法

1.2.1 研究思路

1.2 研究思路、研究方法及研究内容

1.1.2 研究意义

1.1.1 选题背景

1.1 选题背景和研究意义

1 绪论

前言

版权信息

封面

封面

版权信息

前言

1 绪论

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、研究方法及研究内容

1.2.1 研究思路

1.2.2 研究方法

1.2.3 研究内容

1.3 本书的创新点

2 文献综述

2.1 证券市场媒体效应研究

2.1.1 证券市场媒体效应存在性研究

2.1.2 新闻信息对证券市场的影响研究

2.1.3 本节评述

2.2 投资者情绪及其对证券市场的影响研究

2.2.1 投资者情绪的定义与度量

2.2.2 媒体信息中的投资者情绪对证券市场的影响研究

2.2.3 本节评述

2.3 媒体信息的分类、量化方法及媒体与证券市场关系的分析模型研究

2.3.1 媒体信息的分类方法

2.3.2 媒体信息的量化方法

2.3.3 洞悉媒体与证券市场关系的分析模型

2.3.4 本节评述

2.4 本章小结

3 研究总体设计

3.1 研究总体框架

3.2 研究问题描述

3.3 研究技术路线

3.4 本章小结

4 互联网财经新闻的自动获取、主题分类与情感量化

4.1 互联网财经新闻的自动获取

4.1.1 互联网财经新闻的自动获取框架

4.1.2 互联网财经新闻的描述性统计分析

4.2 互联网财经新闻的主题分类

4.2.1 文本分类的流程与思路

4.2.2 互联网财经新闻的主题自动分类技术路线

4.2.3 互联网财经新闻的主题自动分类实验分析

4.3 互联网财经新闻的情感量化

4.4 本章小结

5 互联网财经新闻与证券市场的关联性分析

5.1 资产定价理论概述

5.2 研究假设

5.2.1 异质性新闻与证券市场：基于施动者视角

5.2.2 新闻与各行业公司股票：基于受动者视角

5.2.3 公司管理者与证券市场媒体效应：基于管理者视角

5.3 研究设计

5.3.1 样本选择与数据来源

5.3.2 主要变量的衡量

5.3.3 模型的构建与设定

5.4 实证结果与分析

5.4.1 描述性统计分析

5.4.2 相关系数分析

5.4.3 实证结果

5.4.4 总结与分析

5.5 本章小结

6 基于深度学习的证券市场新闻媒体效应的精准捕捉

6.1 模型选择

6.2 LSTM模型的基本原理及问题

6.3 研究设计

6.3.1 样本选择与数据来源

6.3.2 主要变量的衡量

6.3.3 基于新闻驱动的N-LSTM模型

6.3.4 对比实验设置

6.3.5 模型性能评估指标

6.4 研究结果与分析

6.4.1 基准模型效果研究

6.4.2 新闻驱动方法效果研究

6.4.3 N-LSTM模型在不同主题新闻中的表现：基于施动者视角

6.4.4 N-LSTM模型在不同行业公司中的表现：基于受动者视角

6.4.5 N-LSTM模型在不同高管媒体行为中的表现：基于管理者视角

6.4.6 基于N-LSTM模型的投资策略

6.5 本章小结

7 研究总结、政策建议、不足与未来展望

7.1 研究总结

7.1.1 互联网财经新闻的自动获取、主题分类与情感量化

7.1.2 互联网财经新闻与证券市场关联性的深入细致探索

7.1.3 基于深度学习的证券市场新闻媒体效应的精准捕捉

7.2 政策建议

7.2.1 对于证券市场监管者的政策建议

7.2.2 对于上市公司管理者的治理建议

7.2.3 对于证券投资者的决策建议

7.3 不足与改进

7.4 未来展望

参考文献