[论文解读] Stock Price Prediction using Sentiment Analysis and Deep Learning for Indian Markets

Narayana Darapaneni, Anwesh Reddy Paduri+6 more|arXiv (Cornell University)|Apr 7, 2022

Stock Market Forecasting Methods被引用 25

一句话总结

论文构建了两种模型来预测印度股票价格：一种使用历史价格的 LSTM，另一种使用情绪分数加宏观经济特征的 Random Forest，在四只主要股票上以 RMSE 进行评估。

ABSTRACT

Stock market prediction has been an active area of research for a considerable period. Arrival of computing, followed by Machine Learning has upgraded the speed of research as well as opened new avenues. As part of this research study, we aimed to predict the future stock movement of shares using the historical prices aided with availability of sentiment data. Two models were used as part of the exercise, LSTM was the first model with historical prices as the independent variable. Sentiment Analysis captured using Intensity Analyzer was used as the major parameter for Random Forest Model used for the second part, some macro parameters like Gold, Oil prices, USD exchange rate and Indian Govt. Securities yields were also added to the model for improved accuracy of the model. As the end product, prices of 4 stocks viz. Reliance, HDFC Bank, TCS and SBI were predicted using the aforementioned two models. The results were evaluated using RMSE metric.

研究动机与目标

• 利用历史数据和情绪数据推动印度市场的股票价格变动预测。
• 通过 Intensity Analyzer 将情绪分数整合到机器学习模型中以提高准确性。
• 评估宏观经济特征（黄金、石油、美元、印度政府证券收益率）对预测性能的影响。

提出的方法

• 以历史价格作为主要输入变量使用 LSTM。
• 将 Intensity Analyzer 的情绪分析作为 Random Forest 模型的主要特征。
• 用宏观参数增强模型：黄金价格、石油价格、美元汇率和印度政府证券收益率。
• 以 RMSE 作为指标评估四只股票（Reliance、HDFC Bank、TCS、SBI）的预测。

实验结果

研究问题

• RQ1 仅使用历史价格的 LSTM 能否在印度市场准确预测短期股价波动？
• RQ2 通过 Random Forest 引入情绪分析，是否能在仅有历史价格的基础上提高预测准确性？
• RQ3 宏观经济特征（黄金、石油、美元、政府证券收益率）是否提高印度股票的模型性能？
• RQ4 在所选股票中，哪种模型（LSTM 还是带情绪的 Random Forest）表现更好？

主要发现

• 本研究采用两种建模方法：使用历史价格的 LSTM 和带情绪特征及宏观参数的 Random Forest。
• 为四只印度股票生成预测：Reliance、HDFC Bank、TCS 和 SBI。
• 模型评估使用 RMSE 作为性能指标。
• 通过 Intensity Analyzer 收集的情绪数据被整合为 Random Forest 模型的主要输入。
• 如黄金、石油价格、美元汇率和印度政府证券收益率等宏观特征被纳入以提升准确性。