论文目录 | |
| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 本文研究的背景及意义 | 第12-13页 |
| 1.2 金融品种价格预测研究现状 | 第13-16页 |
| 1.2.1 金融预测方法的研究现状 | 第13-15页 |
| 1.2.2 基于文本信息挖掘的金融品种预测研究现状 | 第15-16页 |
| 1.3 Spark技术研究现状 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 相关工作介绍 | 第19-28页 |
| 2.1 引言 | 第19页 |
| 2.2 文本信息情感倾向分析方法 | 第19-20页 |
| 2.2.1 基于情感词的文本倾向性分析 | 第19-20页 |
| 2.2.2 基于语义规则的情感信息分析方法 | 第20页 |
| 2.3 金融市场预测常用模型 | 第20-23页 |
| 2.3.1 灰色模型 | 第21页 |
| 2.3.2 多元线性回归模型 | 第21-22页 |
| 2.3.3 ARIMA模型 | 第22-23页 |
| 2.3.4 神经网络模型 | 第23页 |
| 2.4 Spark技术相关工作 | 第23-26页 |
| 2.4.1 Spark关键技术 | 第24-25页 |
| 2.4.2 Spark作业执行简要流程 | 第25-26页 |
| 2.4.3 Spark相关子项目 | 第26页 |
| 2.5 本章小节 | 第26-28页 |
| 第三章 基于文本信息和组合模型的金融发展趋势预测方法 | 第28-43页 |
| 3.1 引言 | 第28页 |
| 3.2 财经新闻情感趋势分析 | 第28-32页 |
| 3.2.1 数据集获取 | 第29页 |
| 3.2.2 特征词词库构建 | 第29-30页 |
| 3.2.3 金融财经新闻信息情感倾向值获取 | 第30-32页 |
| 3.3 组合预测模型构建 | 第32-34页 |
| 3.3.1 多元线性回归初步预测 | 第32-33页 |
| 3.3.2 ARIMA模型进行残差纠正 | 第33-34页 |
| 3.3.3 预测结果整合与验证 | 第34页 |
| 3.4 金融品种发展趋势预测实验 | 第34-42页 |
| 3.4.1 金融新闻信息情感倾向值计算 | 第34-37页 |
| 3.4.2 多元线性回归模型和ARIMA模型组合预测 | 第37-39页 |
| 3.4.3 预测结果分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于Spark Streaming的财经信息情感趋势分析方法 | 第43-51页 |
| 4.1 引言 | 第43页 |
| 4.2 Spark Streaming构架 | 第43-45页 |
| 4.3 Spark Streaming滑动时间窗机制 | 第45页 |
| 4.4 应用Spark Streaming技术的情感倾向获取实验 | 第45-50页 |
| 4.4.1 实验环境搭建与数据准备 | 第46-47页 |
| 4.4.2 数据的处理 | 第47页 |
| 4.4.3 实验结果分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 结合财经信息和历史价格的金融品种价格预测系统 | 第51-58页 |
| 5.1 引言 | 第51页 |
| 5.2 预测系统框架 | 第51-54页 |
| 5.2.1 新闻获取及预处理模块 | 第52-53页 |
| 5.2.2 情感倾向分析模块 | 第53页 |
| 5.2.3 预测以及验证模块 | 第53页 |
| 5.2.4 预测结果展示模块 | 第53-54页 |
| 5.3 预测系统效果展示 | 第54-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 工作总结和研究展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 研究展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者在学期间取得的学术成果 | 第65页 |
