基于 WSJ 的股市预测：通过稀疏矩阵分解进行文本挖掘
机器学习
2014-07-03 v1 统计金融
摘要
我们重新审视基于新闻文章预测股价方向性变动的问题：此处我们的算法利用《华尔街日报》的每日文章来预测当日的收盘股价。我们提出了一种统一的潜在空间模型来刻画股价与新闻文章之间的“协同变动”。与许多现有方法不同，我们的新模型能够同时利用以下相关性：(a) 股价之间，(b) 新闻文章之间，以及 (c) 股价与新闻文章之间。因此，我们的模型能够在保持低复杂度的同时，对超过 500 只股票（其中大多数甚至未在任何新闻文章中提及）进行每日预测。我们基于该算法对交易策略进行了广泛的回测。结果表明，与许多广泛使用的算法相比，我们的模型具有显著更高的准确率 (55.7%)。基于我们模型的交易策略所产生的回报 (56%) 和夏普比率也远高于基准指数。
引用
@article{arxiv.1406.7330,
title = {Stock Market Prediction from WSJ: Text Mining via Sparse Matrix Factorization},
author = {Felix Ming Fai Wong and Zhenming Liu and Mung Chiang},
journal= {arXiv preprint arXiv:1406.7330},
year = {2014}
}