基于嵌入与标签平滑利用新闻文章改进股价走势分类
机器学习
2023-01-26 v1 人工智能
计算与语言
神经与进化计算
摘要
股价走势预测是金融中一个具有挑战性且至关重要的问题。尽管现代行为金融学已充分确立相关股票股价常随新闻发布因投资者反应与过度反应而变动,但如何通过量化模型捕捉价格走势与新闻文章间的关系仍是活跃的研究领域;现有模型已取得不同程度的成功。在本文中,我们提出通过引入深度学习中的正则化与优化技术,利用新闻文章改进股价走势分类。更具体地,我们如近期模型那样通过嵌入和双向循环神经网络捕捉新闻文章与股票间的依赖关系。我们进一步引入权重衰减、批量归一化、丢弃法和标签平滑以改进训练模型的泛化能力。为处理批量归一化验证精度的高波动性,我们提出双阶段训练以可靠地实现这些改进。我们在常用数据集上的实验结果显示显著改进,测试集平均准确率达 80.7%,较现有模型绝对提升超过 10.0%。我们的消融研究表明批量归一化与标签平滑最为有效,分别平均带来 6.0% 和 3.4% 的绝对提升。
引用
@article{arxiv.2301.10458,
title = {Improved Stock Price Movement Classification Using News Articles Based on Embeddings and Label Smoothing},
author = {Luis Villamil and Ryan Bausback and Shaeke Salman and Ting L. Liu and Conrad Horn and Xiuwen Liu},
journal= {arXiv preprint arXiv:2301.10458},
year = {2023}
}
备注
8 pages, 7 figures