English
Enhancing stock market prediction with extended coupled hidden Markov model over multi-sourced data.
文件大小：
969k
资源说明：标题所指的知识点：“Enhancing stock market prediction with extended coupled hidden Markov model over multi-sourced data.” 该标题强调了使用扩展的耦合隐马尔可夫模型结合来自多源数据来增强股票市场预测的能力。这意味着研究者们试图构建一个能够整合不同数据源，如新闻事件与历史交易数据，并利用这些信息来提高股市预测准确性。
描述中提供的信息指出，传统的股票市场预测方法往往只利用历史交易数据，而忽略了其他信息源，如与股票相关的事件，也能影响股市波动。尽管有研究工作提出了考虑事件数据的事件驱动预测方法，但如何利用多个数据源的联合影响仍是一个未解决的研究问题。因此，本文探讨了如何挖掘多个数据源来提高股票预测的性能。在此，作者提出了一种扩展的耦合隐马尔可夫模型，将新闻事件与历史交易数据相结合。为了解决单一股票新闻事件数据稀疏性的问题，作者进一步研究了股票之间的波动性关联，并将这些关联整合到模型中以辅助预测任务。通过对中国A股市场2016年的数据进行评估，显示了本文提出的模型相比于先前的方法具有更优的性能。
标签“研究论文”表明，文件是一篇学术性的研究报告，涉及数据分析、模型构建、信息融合等多个研究领域。
部分内容提供了一些具体的参考信息，包括文章的DOI链接、作者信息、工作单位和出版信息。文章由X Zhang, Y Li, S Zhang Wang, B Fang, 和 P S Yu撰写，发表于《知识与信息系统》期刊，DOI为10.1007/s10115-018-1315-6。文章的摘要和引言部分强调了模型的有效性和重要性。
从提供的内容中，我们可以提取以下知识点：
1. 股票市场预测的传统方法：历史上，大多数定量交易预测方法主要基于历史交易数据，例如股票的价格和成交量。这种基于历史数据的方法往往无法充分准确地预测股票价格的走势，因为它忽略了市场的所有已知信息，这与有效市场假说(EMH)所指出的相悖。
2. 隐马尔可夫模型(HMM)：隐马尔可夫模型是一种统计模型，它假设系统可以被看作是一个马尔可夫过程，但是系统的状态并不直接可见（即隐状态），只能通过观察到的一系列事件来推断。
3. 事件驱动的预测方法：最近的研究工作开始考虑通过事件数据来驱动股市预测的方法，试图更准确地捕捉到市场动态。
4. 数据融合：在股票市场预测的研究中，数据融合指的是如何将不同类型的数据源（如历史交易数据和新闻事件数据）相结合，以提供更全面的信息以进行预测。
5. 数据稀疏性问题：股票市场的事件数据，特别是关于单一股票的新闻报道，往往具有高度的稀疏性。这意味着，对于某些股票，可能没有足够的新闻事件数据来构建一个有效的预测模型。
6. 波动性相关性分析：股票之间的波动性相关性分析表明，股市中个别股票的价格运动并不是孤立的，而是可以通过股票之间价格波动的相关性来揭示市场的整体趋势。
7. 模型评估：本文通过对中国A股市场2016年的数据进行评估，来证明扩展的耦合隐马尔可夫模型在实际应用中预测股票价格走势方面的优越性。
整体来看，这项研究对于构建更复杂、更准确的股市预测模型有着重要的指导意义，特别是在数据融合技术和隐马尔可夫模型的应用方面提供了新的见解。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
