Course:学术论文写作：论点摘要 - Revision history

Zhiwei at 02:33, 14 October 2025

2025-10-14T02:33:01Z

← Older revision		Revision as of 02:33, 14 October 2025
Line 3:		Line 3:
	阅读研究材料，凝练出其中的关键信息。		阅读研究材料，凝练出其中的关键信息。
	* 拟定论文题目		* 拟定论文题目
	* 论点：针对XX, ~~考虑XX~~, ~~提出XX~~, 达到XX. 揉成一句话。		* 论点：针对XX, 提出XX, 解决XX, 达到XX. 揉成一句话。
	* 创新点：2-4个，每个创新点1-2句话。		* 创新点：2-4个，每个创新点1-2句话。
	* 摘要：中文200字、英文250字		* 摘要：中文200字、英文250字
	</big>		</big>
	===研究材料===		===研究材料===
	<big>股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作都将股票相关的新闻信息作为预测股票价格的重要依据。文献[1]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH ~~Nguyen 等利用主题模型来预测股票价格。文献~~[2]提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。文献[3]提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[4]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(~~道琼斯工业指数、上证指数等~~)作出预测。文献[5]运用 Twitter 上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析 Twitter 上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。		<big>股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作都将股票相关的新闻信息作为预测股票价格的重要依据。文献[1]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen等利用主题模型来预测股票价格。文献[2]提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding等将深度学习方法运用到股票预测领域。文献[3]提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[4]中进一步学习出结构化事件的event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)作出预测。文献[5]运用Twitter上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析Twitter上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。
	本文基于股票论坛数据对股价进行预测，不同于新闻信息或国家政策信息，股票论坛信息包含大量的“无效信息”。因此，本文首先提出自动化提取大量的论坛数据方法，方法利用了线程并发技术和自适应的线程任务分配策略，达到数据的高效采集。此外，本文提出一种论坛数据预处理方法，将论坛数据的情感特征（分为“看涨”或“看跌”）并批量提取。实验结果表明，论坛数据的情感特征提取准确率达到了91%。基于此，进一步探究股票情感数据与股价的实际涨跌之间的关系，并提出基于逻辑回归算法的预测方法。值得一提的是，回归算法参数可根据数据内容进行自适应调节，以找到最高的识别精度，相比于现有方法不但提升了预测效率，也保证了预测精度。实验结果表明，本文提出的股票预测方法相比于传统基于新闻或政策信息的方法在预测精度上提升了15%的准确度，在牛市和熊市环境中准确率甚至达到83%。		本工作基于股票论坛数据对股价进行预测，首先提出自动化提取大量的论坛数据方法，方法利用了线程并发技术和自适应的线程任务分配策略，达到数据的高效采集，可以应对不同于新闻信息或国家政策信息的股票论坛信息中大量包含的“无效信息”。提出一种论坛数据预处理方法，将论坛数据的情感特征（分为“看涨”或“看跌”）并批量提取。实验结果表明，论坛数据的情感特征提取准确率达到了91%。同时，进一步探究股票情感数据与股价的实际涨跌之间的关系，并提出基于逻辑回归算法的预测方法。值得一提的是，回归算法参数可根据数据内容进行自适应调节，以找到最高的识别精度，相比于现有方法不但提升了预测效率，也保证了预测精度。实验结果表明，提出的股票预测方法相比于传统基于新闻或政策信息的方法在预测精度上提升了15%的准确度，在牛市和熊市环境中准确率甚至达到83%。
	</big>		</big>

Zhiwei: /* 论点摘要测试 */

2021-10-17T13:14:55Z

论点摘要测试

← Older revision		Revision as of 13:14, 17 October 2021
Line 5:		Line 5:
	* 论点：针对XX, 考虑XX, 提出XX, 达到XX. 揉成一句话。		* 论点：针对XX, 考虑XX, 提出XX, 达到XX. 揉成一句话。
	* 创新点：2-4个，每个创新点1-2句话。		* 创新点：2-4个，每个创新点1-2句话。
	* ~~摘要：中文150字、英文200字~~		* 摘要：中文200字、英文250字
	</big>		</big>
	===研究材料===		===研究材料===

Zhiwei at 12:26, 17 October 2021

2021-10-17T12:26:31Z

← Older revision		Revision as of 12:26, 17 October 2021
Line 1:		Line 1:
	==论点摘要测试==		==论点摘要测试==
	<big>		<big>
	~~阅读研究材料，凝练出其中的关键信息：~~		阅读研究材料，凝练出其中的关键信息。
	* 拟定论文题目		* 拟定论文题目
	* 论点：针对XX, 考虑XX, 提出XX, 达到XX. 揉成一句话。		* 论点：针对XX, 考虑XX, 提出XX, 达到XX. 揉成一句话。

Zhiwei at 12:24, 17 October 2021

2021-10-17T12:24:08Z

← Older revision		Revision as of 12:24, 17 October 2021
Line 9:		Line 9:
	===研究材料===		===研究材料===
	<big>股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作都将股票相关的新闻信息作为预测股票价格的重要依据。文献[1]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen 等利用主题模型来预测股票价格。文献[2]提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。文献[3]提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[4]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)作出预测。文献[5]运用 Twitter 上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析 Twitter 上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。		<big>股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作都将股票相关的新闻信息作为预测股票价格的重要依据。文献[1]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen 等利用主题模型来预测股票价格。文献[2]提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。文献[3]提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[4]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)作出预测。文献[5]运用 Twitter 上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析 Twitter 上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。
	本文基于股票论坛数据对股价进行预测，不同于新闻信息或国家政策信息，股票论坛信息包含大量的“无效信息”。因此，本文首先提出自动化提取大量的论坛数据方法，方法利用了线程并发技术和自适应的线程任务分配策略，达到数据的高效采集。此外，本文提出一种论坛数据预处理方法，将论坛数据的情感特征（分为“看涨”或“看跌”）并批量提取。实验结果表明，论坛数据的情感特征提取准确率达到了91%。基于此，进一步探究股票情感数据与股价的实际涨跌之间的关系，并提出基于逻辑回归算法的预测方法。值得一提的是，回归算法参数可根据数据内容进行自适应调节，以找到最高的识别精度。实验结果表明，本文提出的股票预测方法相比于传统基于新闻或政策信息的方法在预测精度上提升了15%的准确度，在牛市和熊市环境中准确率甚至达到83%。		本文基于股票论坛数据对股价进行预测，不同于新闻信息或国家政策信息，股票论坛信息包含大量的“无效信息”。因此，本文首先提出自动化提取大量的论坛数据方法，方法利用了线程并发技术和自适应的线程任务分配策略，达到数据的高效采集。此外，本文提出一种论坛数据预处理方法，将论坛数据的情感特征（分为“看涨”或“看跌”）并批量提取。实验结果表明，论坛数据的情感特征提取准确率达到了91%。基于此，进一步探究股票情感数据与股价的实际涨跌之间的关系，并提出基于逻辑回归算法的预测方法。值得一提的是，回归算法参数可根据数据内容进行自适应调节，以找到最高的识别精度，相比于现有方法不但提升了预测效率，也保证了预测精度。实验结果表明，本文提出的股票预测方法相比于传统基于新闻或政策信息的方法在预测精度上提升了15%的准确度，在牛市和熊市环境中准确率甚至达到83%。
	</big>		</big>

Zhiwei at 12:22, 17 October 2021

2021-10-17T12:22:57Z

← Older revision		Revision as of 12:22, 17 October 2021
Line 2:		Line 2:
	<big>		<big>
	阅读研究材料，凝练出其中的关键信息：		阅读研究材料，凝练出其中的关键信息：
			* 拟定论文题目
	* 论点：针对XX, 考虑XX, 提出XX, 达到XX. 揉成一句话。		* 论点：针对XX, 考虑XX, 提出XX, 达到XX. 揉成一句话。
	* 创新点：2-4个，每个创新点1-2句话。		* 创新点：2-4个，每个创新点1-2句话。

Zhiwei at 06:41, 17 October 2021

2021-10-17T06:41:45Z

← Older revision		Revision as of 06:41, 17 October 2021
Line 7:		Line 7:
	</big>		</big>
	===研究材料===		===研究材料===
	股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作都将股票相关的新闻信息作为预测股票价格的重要依据。文献[1]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen 等利用主题模型来预测股票价格。文献[2]提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。文献[3]提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[4]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)作出预测。文献[5]运用 Twitter 上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析 Twitter 上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。		<big>股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作都将股票相关的新闻信息作为预测股票价格的重要依据。文献[1]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen 等利用主题模型来预测股票价格。文献[2]提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。文献[3]提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[4]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)作出预测。文献[5]运用 Twitter 上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析 Twitter 上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。
	本文基于股票论坛数据对股价进行预测，不同于新闻信息或国家政策信息，股票论坛信息包含大量的“无效信息”。因此，本文首先提出自动化提取大量的论坛数据方法，方法利用了线程并发技术和自适应的线程任务分配策略，达到数据的高效采集。此外，本文提出一种论坛数据预处理方法，将论坛数据的情感特征（分为“看涨”或“看跌”）并批量提取。实验结果表明，论坛数据的情感特征提取准确率达到了91%。基于此，进一步探究股票情感数据与股价的实际涨跌之间的关系，并提出基于逻辑回归算法的预测方法。值得一提的是，回归算法参数可根据数据内容进行自适应调节，以找到最高的识别精度。实验结果表明，本文提出的股票预测方法相比于传统基于新闻或政策信息的方法在预测精度上提升了15%的准确度，在牛市和熊市环境中准确率甚至达到83%。		本文基于股票论坛数据对股价进行预测，不同于新闻信息或国家政策信息，股票论坛信息包含大量的“无效信息”。因此，本文首先提出自动化提取大量的论坛数据方法，方法利用了线程并发技术和自适应的线程任务分配策略，达到数据的高效采集。此外，本文提出一种论坛数据预处理方法，将论坛数据的情感特征（分为“看涨”或“看跌”）并批量提取。实验结果表明，论坛数据的情感特征提取准确率达到了91%。基于此，进一步探究股票情感数据与股价的实际涨跌之间的关系，并提出基于逻辑回归算法的预测方法。值得一提的是，回归算法参数可根据数据内容进行自适应调节，以找到最高的识别精度。实验结果表明，本文提出的股票预测方法相比于传统基于新闻或政策信息的方法在预测精度上提升了15%的准确度，在牛市和熊市环境中准确率甚至达到83%。
			</big>

Zhiwei at 06:41, 17 October 2021

2021-10-17T06:41:26Z

← Older revision		Revision as of 06:41, 17 October 2021
Line 2:		Line 2:
	<big>		<big>
	阅读研究材料，凝练出其中的关键信息：		阅读研究材料，凝练出其中的关键信息：
	* ~~论点：一句话~~		* 论点：针对XX, 考虑XX, 提出XX, 达到XX. 揉成一句话。
	* 创新点：2-4个		* 创新点：2-4个，每个创新点1-2句话。
	* 摘要：中文150字、英文200字		* 摘要：中文150字、英文200字
	</big>		</big>

Zhiwei at 06:39, 17 October 2021

2021-10-17T06:39:46Z

← Older revision		Revision as of 06:39, 17 October 2021
Line 1:		Line 1:
	==论点摘要测试==		==论点摘要测试==
	<big>		<big>
	~~在提供的三段材料中选一段，凝练出其中的关键信息：~~		阅读研究材料，凝练出其中的关键信息：
	* 论点：一句话		* 论点：一句话
	* 创新点：2-4个		* 创新点：2-4个
	* ~~摘要：一段200字描述~~		* 摘要：中文150字、英文200字

	</big>		</big>
	===~~研究材料1~~===		===研究材料===
	股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。Fama 于 1965 年提出了有效市场假说(Efficient Market Hypothesis)[1]，他认为，股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作[2][3][4]中都将股票相关的新闻信息作为预测股票价格的重要依据。GPC Fung 等在文献[5]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen 等利用主题模型来预测股票价格。在文献[6]中，他们提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。在文献[7]中，他们提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[8]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)~~作出预测。Johan Bollen 等在文献~~[9]~~中运用~~ Twitter ~~上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析~~ Twitter ~~上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。~~		股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作都将股票相关的新闻信息作为预测股票价格的重要依据。文献[1]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen 等利用主题模型来预测股票价格。文献[2]提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。文献[3]提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[4]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)作出预测。文献[5]运用 Twitter 上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析 Twitter 上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。
			本文基于股票论坛数据对股价进行预测，不同于新闻信息或国家政策信息，股票论坛信息包含大量的“无效信息”。因此，本文首先提出自动化提取大量的论坛数据方法，方法利用了线程并发技术和自适应的线程任务分配策略，达到数据的高效采集。此外，本文提出一种论坛数据预处理方法，将论坛数据的情感特征（分为“看涨”或“看跌”）并批量提取。实验结果表明，论坛数据的情感特征提取准确率达到了91%。基于此，进一步探究股票情感数据与股价的实际涨跌之间的关系，并提出基于逻辑回归算法的预测方法。值得一提的是，回归算法参数可根据数据内容进行自适应调节，以找到最高的识别精度。实验结果表明，本文提出的股票预测方法相比于传统基于新闻或政策信息的方法在预测精度上提升了15%的准确度，在牛市和熊市环境中准确率甚至达到83%。
	~~===研究材料2===~~

	~~===研究材料3===~~

Zhiwei: Created page with "==论点摘要测试== 在提供的三段材料中选一段，凝练出其中的关键信息： * 论点：一句话 * 创新点：2-4个 * 摘要：一段200字描述..."

2021-10-17T04:06:26Z

Created page with "==论点摘要测试== <big> 在提供的三段材料中选一段，凝练出其中的关键信息： * 论点：一句话 * 创新点：2-4个 * 摘要：一段200字描述..."

New page

==论点摘要测试==
<big>
在提供的三段材料中选一段，凝练出其中的关键信息：
* 论点：一句话
* 创新点：2-4个
* 摘要：一段200字描述

</big>
===研究材料1===
股票价格的预测在商业和金融领域具有重要的意义。股票市场的预测在商业界和学术界都受到了广泛的关注。Fama 于 1965 年提出了有效市场假说(Efficient Market Hypothesis)[1]，他认为，股票市场是一个“有效信息”市场，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假设为之后的股票预测工作提供了依据。然而，预测股票价格依然十分困难，因为股票价格受到众多因素的影响。对于单个股票而言，除了国家的货币政策，行业的景气状况等宏观因素，股票上市公司的相关事件等微观因素也会对股票价格产生影响。因此，除了股票自身的价格信息，许多相关工作[2][3][4]中都将股票相关的新闻信息作为预测股票价格的重要依据。GPC Fung 等在文献[5]中利用实时的新闻信息对股票价格作出预测。他们首先利用线性回归和聚类方法对股票的价格曲线分段，每段时间区间对应价格的上升期和下降期。然后将上升期和下降期内的新闻分别标注为利好消息和利空消息，通过统计方法选择出新闻中的利好和利空特征。最后依据这些新闻中的特征对股票价的涨跌做出预测。该方法忽视了新闻对于股价影响的持续性。TH Nguyen 等利用主题模型来预测股票价格。在文献[6]中，他们提出了一个融合情感和话题的主题模型，并将该模型运用到股票相关新闻的主题分析中。在获得了每个新闻的主题分布向量后，他们将这个主题分布向量加入到股票预测的特征中，最终获得了不错的预测效果。这种主题模型特征是一种通用的文本特征，忽视了金融市场新闻的特殊性。近几年来，深度学习方法在自然语言处理领域取得了许多进展，Xiao Ding 等将深度学习方法运用到股票预测领域。在文献[7]中，他们提出了一种新的事件抽取方法，从新闻中抽取出结构化的事件。这些结构化的事件成为神经网络的输入，用于预测股票价格。随后，在事件抽取工作的基础上，他们在文献[8]中进一步学习出结构化事件的 event embedding1，并使用卷积神经网络模型去预测股票价格。这种模型虽然考虑了事件对于股价的持续影响，但是忽略了多个事件对于股价的综合作用。除了与股票相关的新闻信息，大众媒体与社交媒体上的内容也被用于股票预测。不过这些媒体上的内容一般不适用于单个股票的预测，只能对股市整体的情况(道琼斯工业指数、上证指数等)作出预测。Johan Bollen 等在文献[9]中运用 Twitter 上的内容对股市的涨跌作出预测。他们使用OpinionFinder2等工具分析 Twitter 上每天的大众情感，然后将这些情感特征加入到预测模型中，对股市的涨跌作出预测。

===研究材料2===

===研究材料3===