李大舟，于 沛，高 巍，马 辉

(沈阳化工大学 计算机科学与技术学院，辽宁 沈阳 110142)

0 引 言

金融时序预测对于制定有效的市场交易策略和保持经济健康持续发展具有重要意义。近年来，深度学习技术在自然语言处理[1-3]、语音识别[4]等一系列的复杂时序任务中得到广泛应用。与传统的浅层机器学习相比，深度学习通过构造更深层的网络结构来加强模型捕捉高级复杂特征的能力，从而能够挑战更加复杂的问题。Peng等[5]将文本挖掘和词嵌入相结合，从金融新闻中提取特征，并使用深度神经网络模型(deep neural networks，DNN)预测股票走势。实验验证了金融新闻特征在股票预测任务中的有效性。Huy等[6]使用来自路透社、彭博社的财经新闻和股票价格数据集，通过双向门控循环单元(bidirectional gated recurrent unit，BiGRU)来预测未来的股票走势。Ishan等[7]利用格兰杰因果关系分析了大量过去可用的数据，将新闻数据与股票数据相结合，对股价的变动进行分类，并结合一定的因素进行评估，提出了一种基于分段向量的信息分类机制和长短时记忆网络(long short term memories，LSTM)的预测模型。Leonardo等[8]提出了一种基于字符级的神经语言模型，并利用金融新闻数据集和LSTM网络进行趋势预测的方法。Jordan等[9]使用各种文本情绪分析工具来处理金融新闻，如情绪分析和事件提取等，使用LSTM和特定的卷积架构来进行股市趋势预测。Liu等[10]使用TransE模型和卷积神经网络来从金融新闻中提取特征。这种方法有效地提高了文本特征提取的准确性，同时减少新闻标题的稀疏性。……