作者：陈岩,李庆
页数：128
出版社：西南财经大学出版社
出版日期：2023
ISBN：9787550457751
电子书格式：pdf/epub/txt
内容简介
本书从大数据视角研究证券市场的财经信息效应，并从金融市场监管、上市公司治理、投资者认知行为三个角度，为证券市场实践提供重要的理论参考和决策辅助。首先，本书从文本大数据的角度对海量财经信息进行直接分析，利用智能化文本大数据获取、整理、分析技术，深层次地揭示财经信息与证券市场风险波动的关系。其次，本书通过构建大数据分析框架，从施动者（媒体）、受动者（公司）和管理者三个不同的视角，探索证券市场财经信息效应在不同的约束条件下的具体表现。最后，本书从系统论出发，利用深度神经网络学习机制提出一个智能计算框架，用整体、连续而非单一的数据关系，研究复杂市场因素对证券市场财经信息效应的综合影响。
作者简介
陈岩，西南财经大学经济学博士，现任西南财经大学金融学院讲师，主要研究方向为金融科技，长期从事人工智能与资产定价领域的研究。
李庆，金乌国立工科大学计算机科学博士，现任西南财经大学计算机与人工智能学院人工智能系、信息管理与信息系统系教授、博士生导师，金融智能与金融工程四川省重点实验室主任，金融科技国际联合实验室副主任，数字经济与交叉科学创新研究院副院长。主要研究方向为人工智能与金融的融合，聚焦于面向经济系统风险波动领域的智能计算理论与技术。
目录
目 录
１ 绪论 ／ １
１.１ 选题背景和研究意义 ／ １
１.１.１ 选题背景 ／ １
１.１.２ 研究意义 ／ ４
１.２ 研究思路、 研究方法及研究内容 ／ ７
１.２.１ 研究思路 ／ ７
１.２.２ 研究方法 ／ ８
１.２.３ 研究内容 ／ １０
１.３ 本书的创新点 ／ １１
２ 文献综述 ／ １３
２.１ 证券市场媒体效应研究 ／ １３
２.１.１ 证券市场媒体效应存在性研究 ／ １４
２.１.２ 新闻信息对证券市场的影响研究 ／ １５
２.１.３ 本节评述 ／ １７
２.２ 投资者情绪及其对证券市场的影响研究 ／ １８
２.２.１ 投资者情绪的定义与度量 ／ １８
２.２.２ 媒体信息中的投资者情绪对证券市场的影响研究 ／ ２２
２.２.３ 本节评述 ／ ２５
２.３ 媒体信息的分类、 量化方法及媒体与证券市场关系的
分析模型研究 ／ ２６
２.３.１ 媒体信息的分类方法 ／ ２７
２.３.２ 媒体信息的量化方法 ／ ２９
２.３.３ 洞悉媒体与证券市场关系的分析模型 ／ ３１
２.３.４ 本节评述 ／ ３４
２.４ 本章小结 ／ ３５
３ 研究总体设计 ／ ３８
３.１ 研究总体框架 ／ ３８
３.２ 研究问题描述 ／ ３９
３.３ 研究技术路线 ／ ４１
３.４ 本章小结 ／ ４４
４ 互联网财经新闻的自动获取、 主题分类与情感量化 ／ ４５
４.１ 互联网财经新闻的自动获取 ／ ４６
４.１.１ 互联网财经新闻的自动获取框架 ／ ４６
４.１.２ 互联网财经新闻的描述性统计分析 ／ ４８
４.２ 互联网财经新闻的主题分类 ／ ５１
４.２.１ 文本分类的流程与思路 ／ ５１
４.２.２ 互联网财经新闻的主题自动分类技术路线 ／ ５４
４.２.３ 互联网财经新闻的主题自动分类实验分析 ／ ５８
４.３ 互联网财经新闻的情感量化 ／ ６２
４.４ 本章小结 ／ ６６
５ 互联网财经新闻与证券市场的关联性分析 ／ ６７
５.１ 资产定价理论概述 ／ ６８
５.２ 研究假设 ／ ７３
５.２.１ 异质性新闻与证券市场：基于施动者视角 ／ ７３
５.２.２ 新闻与各行业公司股票：基于受动者视角 ／ ７７
５.２.３ 公司管理者与证券市场媒体效应：基于管理者视角 ／ ７８
５.３ 研究设计 ／ ８０
５.３.１ 样本选择与数据来源 ／ ８０
５.３.２ 主要变量的衡量 ／ ８０
５.３.３ 模型的构建与设定 ／ ８１
５.４ 实证结果与分析 ／ ８６
５.４.１ 描述性统计分析 ／ ８６
５.４.２ 相关系数分析 ／ ９２
５.４.３ 实证结果 ／ ９４
５.４.４ 总结与分析 ／ １３７
５.５ 本章小结 ／ １４５
６ 基于深度学习的证券市场新闻媒体效应的精准捕捉 ／ １４７
６.１ 模型选择 ／ １４８
６.２ ＬＳＴＭ 模型的基本原理及问题 ／ １５０
６.３ 研究设计 ／ １５２
６.３.１ 样本选择与数据来源 ／ １５２
６.３.２ 主要变量的衡量 ／ １５３
６.３.３ 基于新闻驱动的 Ｎ－ＬＳＴＭ 模型 ／ １５４
６.３.４ 对比实验设置 ／ １５８
６.３.５ 模型性能评估指标 ／ １５９
６.４ 研究结果与分析 ／ １６０
６.４.１ 基准模型效果研究 ／ １６０
６.４.２ 新闻驱动方法效果研究 ／ １６１
６.４.３ Ｎ－ＬＳＴＭ 模型在不同主题新闻中的表现：基于施动者视角 ／ １６１
６.４.４ Ｎ－ＬＳＴＭ 模型在不同行业公司中的表现：基于受动者视角 ／ １６３
６.４.５ Ｎ－ＬＳＴＭ 模型在不同高管媒体行为中的表现：基于管理者视角 ／ １６４
６.４.６ 基于 Ｎ－ＬＳＴＭ 模型的投资策略 ／ １６５
６.５ 本章小结 ／ １６７
７ 研究总结、 政策建议、 不足与未来展望 ／ １６９
７.１ 研究总结 ／ １６９
７.１.１ 互联网财经新闻的自动获取、 主题分类与情感量化 ／ １７０
７.１.２ 互联网财经新闻与证券市场关联性的深入细致探索 ／ １７０
７.１.３ 基于深度学习的证券市场新闻媒体效应的精准捕捉 ／ １７１
７.２ 政策建议 ／ １７２
７.２.１ 对于证券市场监管者的政策建议 ／ １７２
７.２.２ 对于上市公司管理者的治理建议 ／ １７４
７.２.３ 对于证券投资者的决策建议 ／ １７５
７.３ 不足与改进 ／ １７６
７.４ 未来展望 ／ １７８
参考文献 ／ １８０
附录 ／ １９７
１ 绪论 ／ １
１.１ 选题背景和研究意义 ／ １
１.１.１ 选题背景 ／ １
１.１.２ 研究意义 ／ ４
１.２ 研究思路、 研究方法及研究内容 ／ ７
１.２.１ 研究思路 ／ ７
１.２.２ 研究方法 ／ ８
１.２.３ 研究内容 ／ １０
１.３ 本书的创新点 ／ １１
２ 文献综述 ／ １３
２.１ 证券市场媒体效应研究 ／ １３
２.１.１ 证券市场媒体效应存在性研究 ／ １４
２.１.２ 新闻信息对证券市场的影响研究 ／ １５
２.１.３ 本节评述 ／ １７
２.２ 投资者情绪及其对证券市场的影响研究 ／ １８
２.２.１ 投资者情绪的定义与度量 ／ １８
２.２.２ 媒体信息中的投资者情绪对证券市场的影响研究 ／ ２２
２.２.３ 本节评述 ／ ２５
２.３ 媒体信息的分类、 量化方法及媒体与证券市场关系的
分析模型研究 ／ ２６
２.３.１ 媒体信息的分类方法 ／ ２７
２.３.２ 媒体信息的量化方法 ／ ２９
２.３.３ 洞悉媒体与证券市场关系的分析模型 ／ ３１
２.３.４ 本节评述 ／ ３４
２.４ 本章小结 ／ ３５
３ 研究总体设计 ／ ３８
３.１ 研究总体框架 ／ ３８
３.２ 研究问题描述 ／ ３９
３.３ 研究技术路线 ／ ４１
３.４ 本章小结 ／ ４４
４ 互联网财经新闻的自动获取、 主题分类与情感量化 ／ ４５
４.１ 互联网财经新闻的自动获取 ／ ４６
４.１.１ 互联网财经新闻的自动获取框架 ／ ４６
４.１.２ 互联网财经新闻的描述性统计分析 ／ ４８
４.２ 互联网财经新闻的主题分类 ／ ５１
４.２.１ 文本分类的流程与思路 ／ ５１
４.２.２ 互联网财经新闻的主题自动分类技术路线 ／ ５４
４.２.３ 互联网财经新闻的主题自动分类实验分析 ／ ５８
４.３ 互联网财经新闻的情感量化 ／ ６２
４.４ 本章小结 ／ ６６
５ 互联网财经新闻与证券市场的关联性分析 ／ ６７
５.１ 资产定价理论概述 ／ ６８
５.２ 研究假设 ／ ７３
５.２.１ 异质性新闻与证券市场：基于施动者视角 ／ ７３
５.２.２ 新闻与各行业公司股票：基于受动者视角 ／ ７７
５.２.３ 公司管理者与证券市场媒体效应：基于管理者视角 ／ ７８
５.３ 研究设计 ／ ８０
５.３.１ 样本选择与数据来源 ／ ８０
５.３.２ 主要变量的衡量 ／ ８０
５.３.３ 模型的构建与设定 ／ ８１
５.４ 实证结果与分析 ／ ８６
５.４.１ 描述性统计分析 ／ ８６
５.４.２ 相关系数分析 ／ ９２
５.４.３ 实证结果 ／ ９４
５.４.４ 总结与分析 ／ １３７
５.５ 本章小结 ／ １４５
６ 基于深度学习的证券市场新闻媒体效应的精准捕捉 ／ １４７
６.１ 模型选择 ／ １４８
６.２ ＬＳＴＭ 模型的基本原理及问题 ／ １５０
６.３ 研究设计 ／ １５２
６.３.１ 样本选择与数据来源 ／ １５２
６.３.２ 主要变量的衡量 ／ １５３
６.３.３ 基于新闻驱动的 Ｎ－ＬＳＴＭ 模型 ／ １５４
６.３.４ 对比实验设置 ／ １５８
６.３.５ 模型性能评估指标 ／ １５９
６.４ 研究结果与分析 ／ １６０
６.４.１ 基准模型效果研究 ／ １６０
６.４.２ 新闻驱动方法效果研究 ／ １６１
６.４.３ Ｎ－ＬＳＴＭ 模型在不同主题新闻中的表现：基于施动者视角 ／ １６１
６.４.４ Ｎ－ＬＳＴＭ 模型在不同行业公司中的表现：基于受动者视角 ／ １６３
６.４.５ Ｎ－ＬＳＴＭ 模型在不同高管媒体行为中的表现：基于管理者视角 ／ １６４
６.４.６ 基于 Ｎ－ＬＳＴＭ 模型的投资策略 ／ １６５
６.５ 本章小结 ／ １６７
７ 研究总结、 政策建议、 不足与未来展望 ／ １６９
７.１ 研究总结 ／ １６９
７.１.１ 互联网财经新闻的自动获取、 主题分类与情感量化 ／ １７０
７.１.２ 互联网财经新闻与证券市场关联性的深入细致探索 ／ １７０
７.１.３ 基于深度学习的证券市场新闻媒体效应的精准捕捉 ／ １７１
７.２ 政策建议 ／ １７２
７.２.１ 对于证券市场监管者的政策建议 ／ １７２
７.２.２ 对于上市公司管理者的治理建议 ／ １７４
７.２.３ 对于证券投资者的决策建议 ／ １７５
７.３ 不足与改进 ／ １７６
７.４ 未来展望 ／ １７８
参考文献 ／ １８０
附录 ／ １９７
