通过异构信息融合改进股票市场预测

传统的股票市场预测方法通常利用股票的历史价格相关数据来预测其未来趋势。随着网络信息的增长，近期一些工作尝试利用财经新闻来改进预测。有效的指标，例如与股票相关的事件以及人们对市场与股票的情绪，已被证明在股票波动中扮演重要角色，并被提取出来输入预测模型以提高预测精度。然而，以往方法的一个主要局限是：指标仅取自单一来源（其可靠性可能较低），或虽取自多个数据源但很大程度上忽略了多源数据之间的交互与关联。在本工作中，我们从网络新闻中提取事件，从社交媒体中提取用户情绪，并通过耦合矩阵与张量分解框架研究它们对股价运动的联合影响。具体而言，首先构建一个张量以融合异构数据并捕获事件与投资者情绪之间的内在关系。由于张量的稀疏性，我们构建并引入两个辅助矩阵——股票量化特征矩阵与股票关联矩阵——来辅助张量分解。其背后的直觉是：彼此高度相关的股票往往受同一事件影响。因此，我们不是分别独立地进行每只股票的预测任务，而是通过矩阵与张量之间共享协同分解的低秩矩阵，利用共性同时预测多只相关股票。基于2015年中国A股数据与港股数据的评估证明了所提模型的有效性。