國立虎尾科技大學 |

登入

回首頁

整合台灣金融BERT情緒分析與CNN-BiLSTM-SA模型進行股票預測...

陳冠瑋

整合台灣金融BERT情緒分析與CNN-BiLSTM-SA模型進行股票預測 = = Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	整合台灣金融BERT情緒分析與CNN-BiLSTM-SA模型進行股票預測 =/ 陳冠瑋.
其他題名:	Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction /
其他題名:	Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction.
作者:	陳冠瑋
出版者:	雲林縣 :國立虎尾科技大學 , : 民113.06.,
面頁冊數:	[9], 66面 :圖, 表 ; : 30公分.;
附註:	指導教授: 許乙清.
標題:	Self-Attention Mechanism. -
電子資源:	電子資源

整合台灣金融BERT情緒分析與CNN-BiLSTM-SA模型進行股票預測 = = Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction /
陳冠瑋

整合台灣金融BERT情緒分析與CNN-BiLSTM-SA模型進行股票預測 =Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction /Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction.陳冠瑋. - 初版. - 雲林縣 :國立虎尾科技大學 ,民113.06. - [9], 66面 :圖, 表 ;30公分.

指導教授: 許乙清.

碩士論文--國立虎尾科技大學資訊工程系碩士班.

含參考書目.

股票市場中，投資人的情緒容易引起股市快速波動，因此在股票預測中，投資人情緒是一個重要的參考因素。本論文為研究台灣社群情緒與台灣股市漲跌關係，基於BERT使用台灣股市新聞進行領域自適應預訓練，建立專精於台灣金融領域的Chinese FinBERT模型，並使用台灣社群討論平台「PTT」股票版的每日討論內容做為台股社群情緒參考資料對Chinese FinBERT模型進行微調，建立Daily FinSentiment模型分析社群情緒並計算情緒分數做為預測股市漲跌的參考特徵。本論文提出CNN-BiLSTM-SA模型使用股票價格及情緒分數做為訓練資料進行股票漲跌預測，此模型使用CNN-BiLSTM-AM模型進行改良，將Attention Mechanism(AM)架構替換為Self Attention(SA)使其對於訓練資料理解更加全面，模型中的CNN層用於提取訓練資料的重要特徵，BiLSTM層根據提取特徵值進行預測，並使用SA層確定不同時間特徵對股票收盤價的影響後更新模型權重。在本論文實驗結果中，使用未加入情緒特徵訓練資料時，CNN-BiLSTM-SA模型預測準確率相較CNN-BiLSTM-AM模型提升22%，準確率達到87.5%，訓練資料加入情緒特徵後，準確率進一步提升至90.62%，模型在經過改良且加入投資人情緒特徵參考後的預測效果顯著提高。本論文將CNN-BiLSTM-SA模型與LINE Bot串接，使預測結果能夠方便檢視並參考。.

(平裝)Subjects--Topical Terms:

1451479
Self-Attention Mechanism.

整合台灣金融BERT情緒分析與CNN-BiLSTM-SA模型進行股票預測 = = Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction /
LDR:04513cam a2200241 i 4500 001 1129701
008 241015s2024 ch ak erm 000 0 chi d
035 $a (THES)112NYPI0392015
040 $a NFU $b chi $c NFU $e CCR
041 0 # $a chi $b chi $b eng
084 $a 008.163M $b 7531 113 $2 ncsclt
100 1 $a 陳冠瑋 $3 1338371
245 1 0 $a 整合台灣金融BERT情緒分析與CNN-BiLSTM-SA模型進行股票預測 = $b Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction / $c 陳冠瑋.
246 1 1 $a Integrating Taiwan Financial BERT Sentiment Analysis with CNN-BiLSTM-SA Model for Stock Prediction.
250 $a 初版.
260 # $a 雲林縣 : $b 國立虎尾科技大學 , $c 民113.06.
300 $a [9], 66面 : $b 圖, 表 ; $c 30公分.
500 $a 指導教授: 許乙清.
500 $a 學年度: 112.
502 $a 碩士論文--國立虎尾科技大學資訊工程系碩士班.
504 $a 含參考書目.
520 3 $a 股票市場中，投資人的情緒容易引起股市快速波動，因此在股票預測中，投資人情緒是一個重要的參考因素。本論文為研究台灣社群情緒與台灣股市漲跌關係，基於BERT使用台灣股市新聞進行領域自適應預訓練，建立專精於台灣金融領域的Chinese FinBERT模型，並使用台灣社群討論平台「PTT」股票版的每日討論內容做為台股社群情緒參考資料對Chinese FinBERT模型進行微調，建立Daily FinSentiment模型分析社群情緒並計算情緒分數做為預測股市漲跌的參考特徵。本論文提出CNN-BiLSTM-SA模型使用股票價格及情緒分數做為訓練資料進行股票漲跌預測，此模型使用CNN-BiLSTM-AM模型進行改良，將Attention Mechanism(AM)架構替換為Self Attention(SA)使其對於訓練資料理解更加全面，模型中的CNN層用於提取訓練資料的重要特徵，BiLSTM層根據提取特徵值進行預測，並使用SA層確定不同時間特徵對股票收盤價的影響後更新模型權重。在本論文實驗結果中，使用未加入情緒特徵訓練資料時，CNN-BiLSTM-SA模型預測準確率相較CNN-BiLSTM-AM模型提升22%，準確率達到87.5%，訓練資料加入情緒特徵後，準確率進一步提升至90.62%，模型在經過改良且加入投資人情緒特徵參考後的預測效果顯著提高。本論文將CNN-BiLSTM-SA模型與LINE Bot串接，使預測結果能夠方便檢視並參考。.
520 3 $a In the stock market, investor sentiment can easily cause rapid fluctuations, making it an important reference factor in stock prediction.。This paper investigates the relationship between community sentiment in Taiwan and the fluctuations of the Taiwan stock market. We conduct domain-adaptive pre-training using BERT on Taiwan stock market news to establish a Chinese FinBERT model specialized in the Taiwanese financial sector. We then fine-tune the Chinese FinBERT model using daily discussion content from the stock section of the Taiwanese community discussion platform "PTT" as a reference for Taiwan stock market community sentiment, thereby creating a Daily FinSentiment model. This model analyzes community sentiment and calculates sentiment scores as reference features for predicting stock market fluctuations.。This paper proposes the CNN-BiLSTM-SA model, which uses stock prices and sentiment scores as training data to predict stock price movements. This model is an improvement over the CNN-BiLSTM-AM model, with the Attention Mechanism (AM) architecture replaced by Self Attention (SA) to achieve a more comprehensive understanding of the training data. The CNN layer in the model is used to extract important features from the training data, the BiLSTM layer makes predictions based on the extracted feature values, and the SA layer updates model weights by determining the impact of different temporal features on stock closing prices. In the experimental results of this paper, the CNN-BiLSTM-SA model achieves a prediction accuracy of 87.5%, representing a 22% improvement compared to the CNN-BiLSTM-AM model when trained without sentiment features. When sentiment features are included in the training data, the accuracy further improves to 90.62%. This significant enhancement in prediction performance demonstrates the effectiveness of incorporating investor sentiment features into the model. Furthermore, we integrate the CNN-BiLSTM-SA model with a LINE Bot, allowing for easy review and reference of prediction results..
563 $a (平裝)
650 # 4 $a Self-Attention Mechanism. $3 1451479
650 # 4 $a Stock Prediction. $3 1451478
650 # 4 $a CNN-BiLSTM-AM. $3 1451477
650 # 4 $a BERT. $3 1420167
650 # 4 $a 自注意力機制. $3 1451476
650 # 4 $a 股票預測. $3 1348414
856 7 # $u https://handle.ncl.edu.tw/11296/tkzwa4 $z 電子資源 $2 http