增强金融市场预测：因果驱动的特征选择
机器学习
2024-08-05 v1 计算工程、金融与科学
计算与语言
数据库
摘要
本文介绍了 FinSen 数据集，通过整合来自 197 个国家的经济和金融新闻文章与股市数据，彻底革新了金融市场分析。该数据集覆盖范围广泛，跨越 15 年（2007 年至 2023 年），包含时间信息，提供了丰富的全球视角，拥有 160,000 条金融市场新闻记录。我们的研究利用因果验证的情感分数和 LSTM 模型来提升市场预测的准确性和可靠性。利用 FinSen 数据集，我们引入了一种创新的焦点校准损失（Focal Calibration Loss），将期望校准误差（ECE）降至 3.34%，使用 DAN 3 模型。这不仅提高了预测准确性，还使概率预测与真实结果紧密对齐，这对于预测概率至关重要的金融领域至关重要。我们的方法展示了将情感分析与精确校准技术相结合以实现可信赖的金融预测的有效性，在金融领域误读的成本可能很高。FinSen 数据集可在 [此 GitHub URL](https://github.com/EagleAdelaide/FinSen_Dataset.git) 获取。
引用
@article{arxiv.2408.01005,
title = {Enhancing Financial Market Predictions: Causality-Driven Feature Selection},
author = {Wenhao Liang and Zhengyang Li and Weitong Chen},
journal= {arXiv preprint arXiv:2408.01005},
year = {2024}
}
备注
Accepted by The 20th International Conference Advanced Data Mining and Applications 2024 (ADMA 2024)