情绪分析机器学习与金融风险预测新技术展望
目录
一、前言 1
（一）研究背景及意义 1
（二）研究内容 2
二、文献综述 2
（一）国内现状研究 2
（二）国外研究现状 3
三、两种方式及其流程 3
（一）数据分析 3
（二）案例分析 6
四、新技术分析 8
（一）论述结果 8
（二）问题隐患 9
结论 10
参考文献 11
致谢 12
一、前言
在当下复杂的金融环境中，人们普遍需要使用有效的财务风险预测机制，甚至是现成的金融措施，用以预测或遏制金融风险的产生。然而现实环境中的金融从业者往往面临着十分复杂的金融环境和商业机构，使得形成这种机制与措施的体系化十分具有挑战性。单纯从金融波动来看，能够影响其变化的参数众多，而金融波动的存在同样意味着金融风险的存在，因此，能够准确预测金融波动是极其重要的。
如何形成高效的金融波动预测（即金融风险预测）一直是难以攻克的一个难题，但是现在我们找到了可供突破的两点：情绪分析与机器学习技术。本文将会通过论述分析情绪与机器学习技术两个方面，对金融风险预测作出最终判断。
（一）研究背景及意义
在金钱至上的社会背景之下，众多关于是否可以有效并准确预测金融市场、甚至于是股票市场的问题持续不断的吸引着金融学术界、商业界、甚至还有普通民众的极大兴趣，那么事实如何呢？金融市场是否真的可以在经过研究之后而被有效预测呢？是否可以依据预测进行投资或预防？
1.金融学理论的发展
传统的金融学理论认为，投资者是理性行为人，任何的噪音交易者都不可能也不应该出现在投资市场中，如果依据这样的假说，金融学就是建立在随机行走和有效市场假说的基础之上的。金融学界定义上的有效市场假说是指，金融市场的变动取决于新出现的消息（如新闻），与过去或未来的市场走向是没有关系的，众所周知，市场上可能出现的新信息是完全随机、根本无法被预测的，那么同理，人们也认为金融市场也是无法预测的，金融风险更是无法进行预防的。
但是，随着近年来有关金融市场与金融波动研究的工作不断开展进行，许多研究者开
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
，金融学就是建立在随机行走和有效市场假说的基础之上的。金融学界定义上的有效市场假说是指，金融市场的变动取决于新出现的消息（如新闻），与过去或未来的市场走向是没有关系的，众所周知，市场上可能出现的新信息是完全随机、根本无法被预测的，那么同理，人们也认为金融市场也是无法预测的，金融风险更是无法进行预防的。
但是，随着近年来有关金融市场与金融波动研究的工作不断开展进行，许多研究者开始挑战所谓市场假说的合理性与合规性，他们从众多研究中发现，其实金融市场并不是一个完全的随机的市场，而是在某种程度上仍旧同世间的大多数事物一样，存在规律性与可预测性的，这一预测的可能性将会越来越趋近于准确。
2.投资者情绪因素分析
如果从来源上进行分类，可以将投资者情绪分为外在指标和内在指标。所谓外在情绪指标是指，对投资者进行调查而得出的指标；而内在指标则被认为是投资者通过内在表述情绪而构成的指标。
从实践意义上来看，对于投资者情绪进行研究主要是基于以下两点重要因素：一是它们能够告诉我们有关投资者在股市预测中出现的偏差；二是它们能够告诉我们，当我们寻找这些偏差时，可能获得的额外收益的机会。这两点对于研究有着至关重要的意义。从上个世纪八十年代开始，股票市场开始火爆，行为金融学也随之崭露头角。发展到九十年代时，学术界开始将研究焦点转向与金融市场波动相关的人类心理学建筑。
可是即使是最专业的金融学家，都无法准确预料到金融市场中可能出现的新信息。但依托现代通信技术的发展，我们却可以不间断的从社交网络媒体（微信、微博、Twitter、Facebook等）中抓取到某些信息点，利用这些零散的信息点，可以在一定程度上预测社会变化，甚至进一步预测金融市场的变化。这并不是单纯的空想理论，已经有这样的实际工作在金融市场中发挥作用，如利用线上网络聊天数据预测图书销售、利用PLASTIC模型从博客中抓取情绪化信息来预测电影票房，利用Google的搜索查询来预测流感的早期传播和传播速率等。
3.机器学习技术模拟
如果对早期的机器学习相关技术信息进行检索，检索成果中有很多是用以股票预测的，大多数金融从业者似乎天然的把股票投资的相关问题看成一个分类问题或回归问题。
这个算法的应用是，如果站在回归角度进行分析，我们可以根据之前的历史数据，预测下一个时间点的股价走向；如果站在分类的角度进行分析，我们可以根据之前的历史数据，预测下一个时间点股价的正负，这可以算作是机器学习方法最早在金融预测领域的应用了。
随着机器学习技术的不断研究与发展，现在的大家讨论的机器学习就是研究计算机模拟，与当下大热的“智能产业”有着密不可分的关系，能够通过模拟或实现人类的学习行为，从而获取到新的知识或技能，进一步改善自身原本性能的一个技术。
（二）研究内容
首先，我们进行研究比较两种不同的机器学习技术：人工神经网络（ANN）和支持向量机（SVM），用以预测交易量的波动。在数据分析方面，以谷歌财经金融信息中的相关数据为样本，将数据进行后期处理，运用数据波动反映出市场行为；在实际案例研究方面，以京东金融的“小白信用“为例，运用五角关系将其评分模型进行解构，分析其中的机器学习计算手法。
之后，我们利用语义技术来探测情绪与资产价格波动之间的相关信息；在数据分析方面，以知网搜索引擎为例，分析特定情绪值作为特征向量在机器学习系统中的运用；在实例研究方面，以谷歌与推特用户为例，辨证投资者情绪与注意力的不同点，以及二者如何影响金融风险预测。
二、文献综述
（一）国内现状研究
国内文献中，从机器学习与金融风险预测的新技术角度来看，国内学者现阶段研究成果较少，尚且处在尝试与摸索阶段，主要是尝试利用经济金融方面的评论来预测金融风险，单纯使用历史数据的行为尚且没有科学依据，大多数学者会认为金融市场是公认的随机过程，难以被成功预测。
从情绪分析与金融风险预测的新技术角度来看，国内学者主更倾向于投资者情绪能够影响金融市场，徐胜、司登奎（2013）在《投资者情绪对金融脱媒的阙值协整效应研究——基于中国不同经济周期的数据验证》中认为，在通过一系列数据分析之后，投资者情绪与金融脱媒只见存在长期动态的均衡关系，且均衡关系收到经济周期的影响；程昆、刘仁和（2005）在《投资情绪与股市的互动研究》中表示，虽然国内对于股市与投资者情绪之间的研究较少，但利用好淡指数表示的情绪指标能反映股市的牛熊状况，能够利用脉冲响应函数、方差分解和格兰杰因果验证较为准确的分析股市收益率和投资者中期情绪指数和短期情绪
一、前言 1
（一）研究背景及意义 1
（二）研究内容 2
二、文献综述 2
（一）国内现状研究 2
（二）国外研究现状 3
三、两种方式及其流程 3
（一）数据分析 3
（二）案例分析 6
四、新技术分析 8
（一）论述结果 8
（二）问题隐患 9
结论 10
参考文献 11
致谢 12
一、前言
在当下复杂的金融环境中，人们普遍需要使用有效的财务风险预测机制，甚至是现成的金融措施，用以预测或遏制金融风险的产生。然而现实环境中的金融从业者往往面临着十分复杂的金融环境和商业机构，使得形成这种机制与措施的体系化十分具有挑战性。单纯从金融波动来看，能够影响其变化的参数众多，而金融波动的存在同样意味着金融风险的存在，因此，能够准确预测金融波动是极其重要的。
如何形成高效的金融波动预测（即金融风险预测）一直是难以攻克的一个难题，但是现在我们找到了可供突破的两点：情绪分析与机器学习技术。本文将会通过论述分析情绪与机器学习技术两个方面，对金融风险预测作出最终判断。
（一）研究背景及意义
在金钱至上的社会背景之下，众多关于是否可以有效并准确预测金融市场、甚至于是股票市场的问题持续不断的吸引着金融学术界、商业界、甚至还有普通民众的极大兴趣，那么事实如何呢？金融市场是否真的可以在经过研究之后而被有效预测呢？是否可以依据预测进行投资或预防？
1.金融学理论的发展
传统的金融学理论认为，投资者是理性行为人，任何的噪音交易者都不可能也不应该出现在投资市场中，如果依据这样的假说，金融学就是建立在随机行走和有效市场假说的基础之上的。金融学界定义上的有效市场假说是指，金融市场的变动取决于新出现的消息（如新闻），与过去或未来的市场走向是没有关系的，众所周知，市场上可能出现的新信息是完全随机、根本无法被预测的，那么同理，人们也认为金融市场也是无法预测的，金融风险更是无法进行预防的。
但是，随着近年来有关金融市场与金融波动研究的工作不断开展进行，许多研究者开
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
，金融学就是建立在随机行走和有效市场假说的基础之上的。金融学界定义上的有效市场假说是指，金融市场的变动取决于新出现的消息（如新闻），与过去或未来的市场走向是没有关系的，众所周知，市场上可能出现的新信息是完全随机、根本无法被预测的，那么同理，人们也认为金融市场也是无法预测的，金融风险更是无法进行预防的。
但是，随着近年来有关金融市场与金融波动研究的工作不断开展进行，许多研究者开始挑战所谓市场假说的合理性与合规性，他们从众多研究中发现，其实金融市场并不是一个完全的随机的市场，而是在某种程度上仍旧同世间的大多数事物一样，存在规律性与可预测性的，这一预测的可能性将会越来越趋近于准确。
2.投资者情绪因素分析
如果从来源上进行分类，可以将投资者情绪分为外在指标和内在指标。所谓外在情绪指标是指，对投资者进行调查而得出的指标；而内在指标则被认为是投资者通过内在表述情绪而构成的指标。
从实践意义上来看，对于投资者情绪进行研究主要是基于以下两点重要因素：一是它们能够告诉我们有关投资者在股市预测中出现的偏差；二是它们能够告诉我们，当我们寻找这些偏差时，可能获得的额外收益的机会。这两点对于研究有着至关重要的意义。从上个世纪八十年代开始，股票市场开始火爆，行为金融学也随之崭露头角。发展到九十年代时，学术界开始将研究焦点转向与金融市场波动相关的人类心理学建筑。
可是即使是最专业的金融学家，都无法准确预料到金融市场中可能出现的新信息。但依托现代通信技术的发展，我们却可以不间断的从社交网络媒体（微信、微博、Twitter、Facebook等）中抓取到某些信息点，利用这些零散的信息点，可以在一定程度上预测社会变化，甚至进一步预测金融市场的变化。这并不是单纯的空想理论，已经有这样的实际工作在金融市场中发挥作用，如利用线上网络聊天数据预测图书销售、利用PLASTIC模型从博客中抓取情绪化信息来预测电影票房，利用Google的搜索查询来预测流感的早期传播和传播速率等。
3.机器学习技术模拟
如果对早期的机器学习相关技术信息进行检索，检索成果中有很多是用以股票预测的，大多数金融从业者似乎天然的把股票投资的相关问题看成一个分类问题或回归问题。
这个算法的应用是，如果站在回归角度进行分析，我们可以根据之前的历史数据，预测下一个时间点的股价走向；如果站在分类的角度进行分析，我们可以根据之前的历史数据，预测下一个时间点股价的正负，这可以算作是机器学习方法最早在金融预测领域的应用了。
随着机器学习技术的不断研究与发展，现在的大家讨论的机器学习就是研究计算机模拟，与当下大热的“智能产业”有着密不可分的关系，能够通过模拟或实现人类的学习行为，从而获取到新的知识或技能，进一步改善自身原本性能的一个技术。
（二）研究内容
首先，我们进行研究比较两种不同的机器学习技术：人工神经网络（ANN）和支持向量机（SVM），用以预测交易量的波动。在数据分析方面，以谷歌财经金融信息中的相关数据为样本，将数据进行后期处理，运用数据波动反映出市场行为；在实际案例研究方面，以京东金融的“小白信用“为例，运用五角关系将其评分模型进行解构，分析其中的机器学习计算手法。
之后，我们利用语义技术来探测情绪与资产价格波动之间的相关信息；在数据分析方面，以知网搜索引擎为例，分析特定情绪值作为特征向量在机器学习系统中的运用；在实例研究方面，以谷歌与推特用户为例，辨证投资者情绪与注意力的不同点，以及二者如何影响金融风险预测。
二、文献综述
（一）国内现状研究
国内文献中，从机器学习与金融风险预测的新技术角度来看，国内学者现阶段研究成果较少，尚且处在尝试与摸索阶段，主要是尝试利用经济金融方面的评论来预测金融风险，单纯使用历史数据的行为尚且没有科学依据，大多数学者会认为金融市场是公认的随机过程，难以被成功预测。
从情绪分析与金融风险预测的新技术角度来看，国内学者主更倾向于投资者情绪能够影响金融市场，徐胜、司登奎（2013）在《投资者情绪对金融脱媒的阙值协整效应研究——基于中国不同经济周期的数据验证》中认为，在通过一系列数据分析之后，投资者情绪与金融脱媒只见存在长期动态的均衡关系，且均衡关系收到经济周期的影响；程昆、刘仁和（2005）在《投资情绪与股市的互动研究》中表示，虽然国内对于股市与投资者情绪之间的研究较少，但利用好淡指数表示的情绪指标能反映股市的牛熊状况，能够利用脉冲响应函数、方差分解和格兰杰因果验证较为准确的分析股市收益率和投资者中期情绪指数和短期情绪
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jmgl/cwgl/5836.html
