Écouter les Murmures Chaotiques : Un Cadre de Deep Learning pour la Prédiction des Tendances Boursières Orientées vers l'Actualité

La prédiction des tendances boursières joue un rôle crucial dans la recherche de profits maximaux à partir d'investissements en actions. Cependant, une prédiction précise des tendances est très difficile en raison de la nature hautement volatile et non stationnaire du marché boursier. L'explosion de l'information sur Internet, associée au développement avancé des techniques de traitement du langage naturel et d'exploration de texte, a permis aux investisseurs de dévoiler les tendances et la volatilité du marché à partir du contenu en ligne. Malheureusement, la qualité, la fiabilité et l'exhaustivité du contenu en ligne lié au marché boursier varient considérablement, et une grande partie consiste en des nouvelles de faible qualité, des commentaires ou même des rumeurs. Pour relever ce défi, nous imitons le processus d'apprentissage des êtres humains face à ces nouvelles en ligne chaotiques, guidés par trois principes : la dépendance séquentielle du contenu, l'influence diversifiée et l'apprentissage efficace et efficient. Dans cet article, pour capturer les deux premiers principes, nous avons conçu des Réseaux d'Attention Hybrides (Hybrid Attention Networks) afin de prédire la tendance boursière sur la base de la séquence des dernières nouvelles pertinentes. De plus, nous appliquons le mécanisme d'apprentissage progressif pour imiter le troisième principe. Des expériences approfondies sur des données réelles du marché boursier démontrent l'efficacité de notre approche.