【Deep Learning】Using Structured Events to Predict Stock Price Movement:An Empirical Investigation

时间：2014

发表于：EMNLP

原文件：http://pan.baidu.com/s/1i3phG49

主要内容：

利用新闻事件来预测：1. 美股大盘走势；2. 挑选的15个个股的走势。

详细内容：

主要工作步骤：

1. 抽取财经新闻

2. 对新闻title进行parser，并进行事件抽取。

其中事件抽取是open information extraction，即不限定事件的模版，而是进行开放式抽取。抽取的结果是：（主语、动词、宾语、时间）。其中，各个元素都会做stemming，动词会做聚类、变成动词类别，如：get_class这个类别。

3. 对抽取的结果进行泛化，如：将（主语、动词、宾语、时间）泛化成几个输入，（主语、动词）、（动词、宾语）等等，从而避免原始输入的数据稀疏问题。

4. 将上述输入给到分类模型，如：svm、或者deep learning，进行二值分类，从而预测大盘和单只股票的涨跌

实验：

在美股上做的，用了Reuters和Bloomberg的财经频道的新闻，分别预测大盘以及个股的下一天、下一周、下一个月的涨跌。对比baseline是仅仅采用词袋输入特征的模型（svm或者deep learning）

实验结果：

1. 预测一天的准确率要高于预测的时间长的，说明事件对于短期的股票预测作用比较大

2. title数据最有用，加入了content数据、反而预测准确率下降了

3. deep learning比svm有用，不过隐层2层效果最好，3层就不好了，没有尝试更多层

相关工作：

1. 之前的人是采用词袋特征+分类器来进行预测的

2. 在词袋特征的基础上，一种扩展方法是加入短语特征，如：名词性短语

3. 在词袋特征的基础上，另一种扩展方法是加入语义特征，如：通过广大用户在twitter上的情绪指数来预测大盘走势