Course: 学术论文写作:论点摘要

From MobiNetS
Revision as of 12:06, 17 October 2021 by Zhiwei (talk | contribs) (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...")
(diff) ← Older revision | Latest revision (diff) | Newer revision → (diff)
Jump to: navigation, search

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

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