融合新闻情感分析的FinBERT-LSTM股票价格预测

股市的上升通常反映经济的繁荣，而其下跌往往是经济衰退的指标。因此，长期以来，关于预测金融股票市场趋势的显著相关因素一直受到广泛讨论，人们对金融文本挖掘任务越来越感兴趣。股票价格固有的不稳定性使其对金融市场的波动非常敏感。在本文中，我们使用基于股票价格历史和引入市场信息的金融、商业、技术新闻文章的深度学习网络来预测股票价格。我们说明通过将加权新闻类别整合到预测模型中来提高预测精度的作用。我们开发了一种预训练的NLP模型，称为FinBERT，旨在辨别金融文本中的情感。随后，我们通过整合先进的长短期记忆（LSTM）架构来发展该模型，从而构建创新的FinBERT-LSTM模型。该模型利用与股票市场结构层次结构相关的新闻类别，即市场、行业和股票相关新闻类别，结合股票市场在过去一周的股价情况进行预测。我们选取NASDAQ-100指数股票数据并在Benzinga新闻文章上训练模型，并使用均绝对误差（MAE）、均绝对百分比误差（MAPE）和准确率作为模型性能评估和比较分析的关键指标。结果表明，FinBERT-LSTM性能最佳，其次是LSTM，DNN模型在有效性方面排名第三。