基于财经新闻文本的市场事件冲击度研究

The news based financial event market impact analysis is the challenge research problem in algorithmic trading system. Different from the traditional time series analysis, the news impact analysis problems are with complex and diverse characteristics, which is hard to be solved. Besides, the traditional methods based on the human labor cannot handle and process the increasing amount of market news articles. In this project, we will first investigate the sentiment features of news articles, and model news articles in sentiment feature space, which is then employed by market impact prediction procedure. Second, we will investigate the latent relevance between sentences within the news articles. Then, a multi-document summarization algorithm is proposed to summarize related news articles and reduce the noise, which is expected to improve the performance of market impact prediction. Final, we will investigate data fusion models that combine heterogeneous data sources including news articles and stock prices. With the expectation that more data sources can cover more market information set, we will apply the data fusion model to market impact analysis and improve the prediction performance. This project will achieve the theoretical innovations and technological breakthroughs for next generation intelligent algorithmic trading, which can benefit the cross domain of financial trading and data mining.

财经新闻文本事件对证券市场的冲击度的度量与预测是智能算法交易广泛应用急需解决的关键和难点问题，是当前国内外研究热点。财经新闻事件的市场冲击度分析具有复杂性和多样性的特点，传统金融时间序列分析无法覆盖这一领域，而依靠人工的分析也难以处理如此巨大的信息量。因此，借助文本挖掘和机器学习的新一代事件冲击度分析方法显得格外重要。本项目将首先研究财经新闻文本的情感倾向，并针对其情感维度进行建模，进而量化其对市场的冲击度。其次，本项目将研究多新闻文本的摘要算法，以达到突出新闻主旨、降低多文本噪声的目标，进而提高新闻事件冲击度预测的准确性。最后，本项目将研究异质多财经信息源的数据融合模型，利用多信息源的巧妙融合，更多的覆盖市场信息全集，从而在信息量增加的帮助下实现事件冲击度预测准确度的提升。本项目的成果将为新一代智能算法交易的发展提供理论基础与技术创新，为算法交易与数据挖掘这一交叉领域的进步做出贡献。

财经新闻文本事件对证券市场的冲击度的度量与预测是智能算法交易广泛应用急需解决的关键和难点问题，是当前国内外研究热点。财经新闻事件的市场冲击度分析具有复杂性和多样性的特点，传统金融时间序列分析无法覆盖这一领域，而依靠人工的分析也难以处理如此巨大的信息量。因此，借助文本挖掘和机器学习的新一代事件冲击度分析方法显得格外重要。本项目将首先研究财经新闻文本的情感倾向，并针对其情感维度进行建模，进而量化其对市场的冲击度。其次，本项目将研究多新闻文本的摘要算法，以达到突出新闻主旨、降低多文本噪声的目标，进而提高新闻事件冲击度预测的准确性。最后，本项目将研究异质多财经信息源的数据融合模型，利用多信息源的巧妙融合，更多的覆盖市场信息全集，从而在信息量增加的帮助下实现事件冲击度预测准确度的提升。本项目的成果将为新一代智能算法交易的发展提供理论基础与技术创新，为算法交易与数据挖掘这一交叉领域的进步做出贡献。本项目共发表论文5篇，其中SCI论文4篇；申请发明专利3项；培养研究生3名。