《经济和金融领域运用文本大数据研究的国内外文献综述2800字》

经济和金融领域运用文本大数据研究的国内外文献综述1．理论研究现状从行为金融学的相关理论来看人们投资者的行为时会发现，人们的投资活动也容易受自身的心理因素影响REF_Ref2862\r\h[9]。投资活动往往暴露了一些投资者的感性情绪，据此研究工作人员认为，决策者的投资偏好一般都是多个方面、容易改变的，这种投资偏好往往只在进行决策的过程中才能逐渐形成；投资者往往由于自身势单力薄，缺乏专业知识REF_Ref4548\r\h[15]，消息渠道和投资经验等原因根据“噪声信息”投资，相关投资社区等就容易因同类用户的聚集而形成噪声并互相影响，干扰自身判断，也有明显的羊群效应REF_Ref26434\r\h[1]，“出盈保亏”现象也很普遍，这些无不说明投资者的情绪会对其行为产生影响，由此分析投资者的情绪表达对于其投资行为是十分重要的参考REF_Ref26692\r\h[2]。从情绪衡量的指标来看，许多研究人员从寻找可以衡量投资者情绪的数据来源出发，使用时间序列模型分析其与股市收益的相关性，并得出其与股市收益存在长期正相关的关系，也说明了投资者情绪与社会投资活动存在较强的关联，其决策会对市场变化发生一定程度的影响REF_Ref1932\r\h[6]。而随着深度学习技术的发展，现代量化投资者情绪可以从海量的网络文本数据中高效地挖掘出其隐含的情绪状态，并从中提取出有价值的信息。2．理论发展人们的非理性的行为可能产生持续性影响，通过结合心理学与行为学的相关理论，系统地研究金融活动中的参与者行为REF_Ref512\r\h[14]，理查德·塞勒证明了人的性格确实会对个人决策与市场结果造成系统性影响。迈尔斯塔特曼从行为投资组合、心理会计、行为资产定价模型论述投资者的认识偏差、认知错误。神经网络模拟人脑中各个神经元对于信息的传递处理过程，按照其连接形态和方式可以组成不同的网络。神经网络由大量的节点之间相互连接构成，每一个节点都可以用来代表一个输出的函数，这个节点输出的函数也被我们统统地称为一个激励函数，而每两个节点之间的相互连接都可以代表一个对于通过该节点连接产生信号的加权值，这个节点的加权值也被我们统统地称为输出的权重，整个神经网络的每一个输出根据其所受连接的方式、激励函数以及其权重的不同而变化。有的研究者提出可以将其应用于自然语言处理领域，这么做的最大优势主要就是无需再花费大量的时间精力在进行特征提取与选择上。将单词的分布式表达器输入应用到了神经网络中，运用卷积、点乘、非线性函数、矩阵相乘等运算，自动地提取并给出对文本进行分类有价值的信息，具有易读性，具备抗干扰能力，能够保持模型相对稳定REF_Ref31277\r\h[3]。在情绪衡量方面，网络用户的行为、评论往往是运用分析模型计算的重要领域，Da、Engelberg&Gao（2015）通过民众在互联网上的搜索内容来衡量投资者情绪的变化。Jiangetal．(2016)通过LM词典对经理人的文本情感指数予以搭建，根据相关研究和分析，未来股市收益、情感指数二者间的关系即反向影响。MeenaRambocas回顾在线情绪分析的营销文献，并从分析单元、抽样分析和情绪分析的角度得出了情绪对用户的营销作用REF_Ref22767\r\h[17]。在国内，研究人员通过从虚拟交流平台获取数据，构建出一系列可以用来评价投资者心理状态的指标；或者采用相关指标，如消费者信心指数（池丽旭、庄心田，2009）、好淡指数（吕志岩，2013、曾炫川，2015）、新增开户数、开放式股票型基金资金净流入（王春，2014）等对投资者偏好，信心，投资者增加量等相对较为广泛接受的指标进行间接分析。REF_Ref31336\r\h[5]从文本情感分析的角度，人们研究的对象从IPO公司上市前主流财经媒体正负面词汇数（汪昌云、武佳薇，2015）、东方财富网标题内容的词频统计（易洪波等，2015）、用户在股吧、论坛的评论数（刘珂言，2015）、知网、微博话题信息文本分析（孟雪井、孟祥兰、胡杨洋，2016）以及东方财富网股吧的评论数据（孟志青、郑国杰、赵韵文，2018）等都有作为直接代理变量衡量投资者情绪指标REF_Ref15290\r\h[10]。3．理论应用及成果凭借着文本分类技术的快速发展与进步，金融学领域的文本分析效率得到大幅度的提高，利用文本挖掘技术精炼非结构化文本数据，机器学习在文本分析上的应用是十分热门的课题。通过解析人们的评价和言论获取的文本数据，可以用于刻画关注度、情绪或语调、可读性、新闻隐含波动率和意见分歧等方面。文本信息的来源多种多样，从虚拟网络社区的发帖与跟评，消费者对产品的评价，上市公司经营报告，电话录音文稿，分析师研究报告，会议纪要，由央行等政府机构发布的权威报告等等都属于文本大数据的范畴。在信息浩如烟海的时代，由于文本数据搜集难度与成本都较高，加上文本含义丰富，表达意味多样，传统数据收集方式搜集效率逐渐下降。而随着文本信息从传统收集方式向互联网传递介质的方式转变，文本数据收集和传输成本有了更为简便有效率的途径，网络词库的规模不断得到补充和丰富。模型训练也让庞大的数据文本得以被发掘出其深层涵义，为计算机领域的自然语言处理方法提供了适合的发挥空间。传统数据需要经过系统性的组织和安排来收集，常用的经济和金融领域数据多需要一段时间的累积才能形成其结果，而文本大数据的频率可以高达秒级，面对这为高频研究提供了数据基础。针对文本数据的分析能够更清晰判断用户的喜好。文本分类中的一个关键问题是特征表示，它通常基于词袋模型，其中unigrams、bigrams、ngrams通常被提取为特征。此外，几种特征选择方法，如频率、MI、PLSA、LDA被应用于选择更具鉴别性的特征。然而，传统的特征表示方法往往忽略了文本中的上下文信息或词序有时可能对于文本含义的把握出现偏差，这就需要循环神经网络构建更长的文义依赖关系。未来几年，在经济和金融领域运用文本大数据研究方面，将开拓更为丰富的数据源，通过训练与分析筛选更适合的机器学习模型、改良深度学习方法来优化文本数据的分析效果，提高模型准确度与预测能力REF_Ref27451\r\h[12]。由于文本数据不可避免的带有发出者的主观情绪意图，数据也存在情绪色彩，可能对研究产生偏差，此外无监督学习过程也相对复杂，文本数据是否能够准确反映所研究的潜在内容，需要更多研究。主要参考文献林初曦，黄浩，论股票市场中的羊群行为[J]．经济师，2019(05):64-67．杨蒙蒙．行为金融学及其应用文献综述[J]．合作经济与科技，2020(19):70-72．李福鹏，付东翔．基于Transformer编码器的金融文本情感分析方法[J]．电子科技，2020，33(9):10-15．杜慧，俞晓明，刘悦，等．融合词性和注意力的卷积神经网络对象级情感分类方法[J]．模式识别与人工智能，2018，31(12):62-68．凌翰文．基于投资者关注和社交网络的选股模型研究[D]．鲁晓鹏．基于互联网数据挖掘的投资者情绪与股市收益统计研究[D]．2016．李志杰，耿朝阳，宋鹏．LSTM-TextCNN联合模型的短文本分类研究[J]．西安工业大学学报,2020,40(03):299-304．高增亮，张俊瑞．行为金融视角下投资者情绪对财务重述行为的影响[J]．中南财经政法大学学报，2019(03):85-93+159．顾鸿翼．浅析个人投资者投资心理因素对投资行为的影响[J]．商展经济，2020(11):62-64．沈艳，陈赟，黄卓．文本大数据分析在经济学和金融学中的应用:一个文献综述[J]．经济学(季刊)，2019，18(04):1153-1186．王博．基于投资者情绪的资产定价理论及实证研究[D]．辽宁大学，2014．杜雪嫣.基于深度学习的中文短文本情绪分类研究[D].中国人民公安大学,2020.邓飞燕．岑少琪，钟凤琪，等．基于LSTM神经网络的短期价格趋势预测[J]．计算机系统应用，2021，30(04):187-192．RichardLehman．FarFromRandom[M]．上海财经大学出版社:上海，2015:127．DeLongJB，ShleiferA，SummersLH，etal．NoiseTraderRiskinFinancialMarkets[J]．JournalofPoliticalEconomy，1990，98(4):703-738．NicholasBarberis，RichardH．Thaler．ASurveyofBehavioralFinance[Z]．USA:NationalBureauofEconomicResearch1050Mas