集成BERT情感分析的节点转换器架构的股票市场预测

股票市场预测是投资者、金融机构和政策制定者在噪声、非平稳性和行为动态性复杂市场环境中面临的重大挑战。传统预测方法，包括基本面分析和技术指标，往往难以捕捉金融市场中固有复杂模式和横截面依赖关系。本文提出了一种集成框架，将节点转换器架构与BERT情感分析方法结合用于股票价格预测。该模型将股票市场表示为图结构，其中 individual stocks 作为节点，边缘捕捉包括行业关联、相关价格运动和供应链联系。经过微调的BERT模型从社交媒体帖子中提取情感信息，并通过注意力融合机制将其与量化市场特征结合。节点转换器处理历史市场数据，同时捕捉时间演化和股票之间横截面依赖关系。实验在1982年1月至2025年3月涵盖20只标普500股票的历史数据上进行，结果表明集成模型对一天ahead预测的平均绝对百分误差（MAPE）为0.80%，分别相对于ARIMA和LSTM为1.20%和1.00%。情感分析整合后总体降低误差10%，在财报公告期间降低25%；图基架构通过捕捉跨股依赖关系贡献额外的15%改进。一天预测的方向准确率达65%。通过配对t检验确认这些改进具有统计学显著性（所有比较中p<0.05）。该模型在高波动期表现更好，MAPE为1.50%，而基线模型范围为1.60%至2.10%。