Publikace detail

Integrating sentiment analysis and topic detection in financial news for stock movement prediction

Autoři: Hájek Petr | Barushka Aliaksandr

Rok: 2018

Druh publikace: článek ve sborníku

Název zdroje: ICBIM 18 : Proceedings of the 2nd International Conference on Business and Information Management

Název nakladatele: ACM (Association for Computing Machinery)

Místo vydání: New York

Strana od-do: 158-162

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Integrace analýzy sentimentu a detekce témat ve finančních zprávách pro predikci akciových trendů	Informace o finančních zprávách vyjádřené v médiích jsou pro predikce na burzách cenných papírů kritické. Výzkumníci se však primárně zaměřují na analýzu sentimentu při predikci výnosu akcií a volatility. Ukazujeme, že témata diskutovaná ve finančních zprávách mohou obsahovat další důležité informace. Používáme kombinaci analýzy sentimentu (s použitím finančně specifického přístupu založeného na slovníku) a detekce témat (pomocí latent dirichlet allocation), abychom předpověděli pohyb akcií hlavních amerických společností jeden den dopředu. Navrhovaný systém využívá hlubokou neuronovou síť pro modelování komplexních vztahů na burze. Ukazujeme účinnost tohoto přístupu ve srovnání se základními metodami, jako jsou například podpůrné vektorové stroje a modely založené na sentimentu a tématu používané samostatně.
eng	Integrating sentiment analysis and topic detection in financial news for stock movement prediction	Media-expressed information in financial news are critical for stock market prediction. Nevertheless, researchers have primarily focused on the role of sentiment analysis in predicting stock returns and volatility. Here we show that topics discussed in the financial news may carry additional important information. We use a combination of sentiment analysis (using finance-specific dictionary-based approach) and topic detection (using latent dirichlet allocation) to predict one-day-ahead stock movements of major US companies. The proposed system employs a deep neural network to model complex stock market relations. We demonstrate the effectiveness of this approach compared to baselines, such as support vector machines and sentiment- and topic-based models used separately.	Financial news; Sentiment analysis; Stock movement; Topic detection

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte