Deep_Learning_for_Event-Driven_Stock_Prediction论文阅读笔记.pdf

在阅读《Deep_Learning_for_Event-Driven_Stock_Prediction论文阅读笔记.pdf》后，我们可以提炼出关于事件驱动股票市场预测的深度学习方法的知识点，以及相关的自然语言处理（NLP）、事件提取、事件嵌入、神经张量网络（NTN）和卷积神经网络（CNN）等技术的详细解释和实际应用。 1. 事件驱动的深度学习方法： 文章提出了一种新的基于事件驱动的股票市场预测深度学习方法。事件驱动是指基于特定事件发生与否或发生的具体情况来指导投资决策的过程。在股票市场预测的背景下，事件驱动策略指的是通过分析经济、公司、政策等领域的事件，预测其对股票价格的影响。 2. 新闻事件提取技术： 文章采用OpenIE技术和依存句法分析来从新闻中提取结构化的事件。首先使用ReVerb方法提取候选元组，然后用ZPar方法进行主谓宾的语法分析来确定事件元组。比较这两种方法得到的元组来确定最终的主事件元组。这一过程有助于清晰地表示事件的逻辑关系。 3. 事件嵌入技术： 事件嵌入是从NLP文本中提取事件的特征表示为密集向量的过程。文章使用了skip-gram算法从语料库学习得到d维的单词表示，并通过平均这些向量来表示事件。此外，还使用了神经张量网络来实现从单词嵌入到事件嵌入的转换，以获得密集连续的向量空间表示，解决了简单结构表征存在的稀疏度增大的问题。 4. 神经张量网络（NTN）训练： 在得到事件嵌入元组之后，可以通过NTN进行训练，通过随机更换事件参数来生成破坏的事件元组，进而得到更新后事件元组集合。通过损失函数的计算进行模型参数的更新，使得损失为0时继续处理下一个事件元组。 5. 卷积神经网络（CNN）在股票预测中的应用： 为了处理长中期事件，文章采用卷积神经网络。时间排序的事件嵌入被用来平均每天得到单个输入单元，再使用窄卷积运算组合相邻事件，并在卷积层顶部使用最大池化层保留最有用的局部特征。而短期事件则直接通过平均获得事件向量。这些特征向量结合后，使用单隐藏层和单输出层的正反馈神经网络进行二分类输出。 6. 实验与评估： 文章通过实验表明，事件嵌入比文字嵌入更适合用作股票预测的特征，并且比结构表征效果更好。CNN由于考虑了长期历史事件的影响，因此比NN有更好的效果。对于公司股价的预测，文章的算法在考虑长中期影响的情况下，即使缺少短期影响，仍能取得较好的预测结果。同时，文章还展示了算法获取利润更高的能力，并提出了适合模型预测的交易策略。 7. 感想与启发： 事件特征提取对于表达事件逻辑关系至关重要。结构化的事件表示和位置的不可替换性对于提高事件表达的特征具有重要意义。事件嵌入技术通过降低特征稀疏度，提升模型的预测能力。此外，文章的交易策略和模拟模型也展示了深度学习模型在实际投资决策中的应用潜力。 整体而言，这篇论文阅读笔记涵盖了从新闻中提取事件、事件嵌入、NTN训练到深度CNN预测的完整流程，并通过实际的股票市场数据验证了该方法的有效性。这些知识点和方法对于探索股票市场预测、金融分析以及深度学习技术在金融市场中的应用提供了重要的参考。