基于网络舆情的BLSTM模型的股票价格预测研究文献综述

文献综述（或调研报告）：

目前，国内外已有很多专家学者对网络舆情对股票价格的影响进行了研究与分析，但迄今为止，两者之间的关系尚没有研究出清晰的模型，也没有一套系统和权威的评价方法。其内里的运作方式和网络舆情所映射出的市场情绪方向分析方法是股票市场预测技术中需要深入分析和研究的关键问题。

1．股票预测相关

国内外许多研究人员对股票市场的预测分析算法已经有了深入的研究，并得出了许多模型理论和时间结果。其中应用比较广的有以下几种：1）采用遗传算法的方法。郭建峰，李玉，安东（2017）^[5] 利用BP神经网络的非线性逼近、自适应等性质，在LM算法的改进基础上，提高了BP神经网络的收敛速度和得出最优数值的效率，使得对于股票的预测更加的准确。严骏宏（2017）^[6]等结合离散小波分解和支持向量机方法对股票指数进行组合预测研究，构建 e-SVR ( Support Vector Regression) 支持向量回归机模型和结合离散小波分解的组合模型进行股票指数预测;2）采用神经网络的方法。张斌（2017）^[11]提出一种基于ESN( Echo State Network) 的地区行业通用模型建立上海地区房地产行业的股价预测通用模型，并在此基础上提出一种基于数据波动性聚类的KMeans-ESN模型实现股票预测。

2．网络舆情相关

2.1 文本挖掘

在关于网络舆情的文本挖掘以及情感分类方面，国内外学者亦利用并建立了许多模型，在这方面的研究，国外起步的较为早一些，这主要是由于网络在欧美等发达国家网络普及的更早。在一定程度上，网络舆情和大数据有着许多共性，李金海（2014）^[1]等人利用大数据的思想构建了网络舆情的挖掘板块，利用混合型数据库，语义库的数据完整性较好。而更为特别的是，李金海（2014）^[1]等人中提出文本挖掘时应当建立的舆情预警模型，能够在舆情大数据中更准确发现预警信息并及时预判是否有预警。

2.2 情感分析

情感分析的重点在于情感分类，而分类的重点在于计算特征权重。不同的学者选用不同模型对舆情的评论文本进行情感分类。李科（2017）^[8]指出LSTM神经网络，能够深层次挖掘文本。将基于分配权重的词向量表示为文本作为LSTM模型的输入部分，文本的分类正确率较高。有学者利用机器学习算法，将带标签的训练集进行特征提取并进行建模，再利用机器学习算法来进行情感极性判断。张伟（2014）^[13]，虞雅雯（2018）^[14]所利用的支持向量机办法等等。与传统的手动情感划分的办法相比，支持向量机的分类效果更胜一筹，可以达到一个不错的效果。

3．基于网络舆情的股票价格预测