lstm股票市場情感分析

⑴ 如何設置股票分析軟體的五日、十日、二十日均線

分析軟體畢竟是軟體！對於新手，我建議介入：

一、超跌股！(超跌必反彈)二、低價股！(低價必有漲)三、慢牛股(諸如目前的銀行股奧運股)！

⑵ 用LSTM做情感分析只能二分類嗎能夠得到短文本的情感值嗎

mysql比較好用點吧，而且比較專業點，這個資料庫你可以用一個可視化軟體管理的，就跟Oracle資料庫管理軟體plsql或者QQ那樣的頁面差不多，可以操作：查詢，修改，刪除，更新。mysql資料庫很校管理軟體名字：Navicat_for_MySQL_10.0.5.0_XiaZaiBa....

⑶ 人工智慧技術能夠解決商業問題的例子有哪些

人工智慧技術可以解決的商業問題其實有很多的，比如有：
1、智能客服，智能客服主要的工作就是在人工換班或者是等待人太多的時候為客戶解決問題的。
2、智能機器人，因為這種機器人是擁有簡單的智力並且可以自己移動，所以這種機器人可以做的工作非常多，比如可以提醒我們做一些事情，可以幫助做一些家務等等。
3、智能機械，現在工廠中為了避免出現疲勞工作，進而發生事故的情況，會使用一些智能的機械來代替人工工作，不但可以長期的工作，不知疲勞，還可以保證合格率。
實際上，人工智慧技術可以做的事情有很多，不過由於現在還有一些沒有實現，所以在這里就不多介紹了，不過隨著人工智慧的慢慢發展，不斷的研究，相信在以後會有更多的智能產品，來給人們的生活帶來更多的體驗。那下面就分享一些人工智慧的知識，希望可以讓大家更了解人工智慧。
首先從自然語言處理原理到進階實戰的詞向量與詞嵌入方面來看TFIDF、Word2Vec演算法、 Gensim模塊、Skip-gram、TF代碼實現Word2Vec演算法項目、FastText、Word Embedding、深度學慣用戶畫像項目。
然後從自然語言處理原理到進階實戰的循環神經網路原理與優化方面來看有Vanilla RNN、Basic RNN實現MNIST手寫數字圖片識別、LSTM長短時記憶、GRU與雙向LSTM、電影評論情感分析案例、Seq2Seq、機器寫唐詩案例、CNN+LSTM+CRF、POS tagging詞性標注案例、 NER命名實體識別案例、 孿生網路、語義相似度分析案例。
最後從自然語言處理原理到進階實戰的Transformer和Bert方面來看有Attention注意力機制、Attention演算法流程、Transformer、Self-Attention機制、Multi-Head Attention、Bert、Bert as service開源項目。
還有概率圖模型演算法的貝葉斯分類有樸素貝葉斯分類器、拉普拉斯估計代碼實戰垃圾郵件分類；HMM演算法有馬爾可夫過程、初始概率、轉移概率、發射概率、 隱含馬爾可夫模型原理、維特比演算法；最大熵模型有熵、條件熵、相對熵、互信息、最大熵模型演算法原理、有約束條件的函數最優化問題、最大熵和最大似然估計關系、IIS演算法；CRF演算法有條件隨機場的性質條件隨機場的判別函數條件隨機場的學習條件隨機場的推斷CRF與HMM關系。

⑷ 求懂股票的大神解答，股票市場靠譜嗎是不是一開始會賺點錢，然後慢慢的越投越多，最後被套牢然後虧本好

第一，股票市場沒有靠不靠譜這個特性，區別只在於你懂不懂，你會不會。道理就和你會做菜可以應聘做廚師，不會做菜卻做了廚師結果一樣。
第二，股票不是賭博，如果你不懂，從一開始你就是賠錢的，根本不存在你說的過程。
第三，我給你粗略描述一下股票投資獲利的方式。
首先是最無腦最不需要專業知識的價值投資，選擇一隻主力類型為國家隊外資法人機構的長線趨勢向上的大盤股，在凈值比，市盈率，質利率處於每次歷史股價底部區域的狀態買入，這種左側交易時間拉長一定賺錢。
然後是利用技術分析籌碼分析知識針對游資私募牛散大戶為主力的中小票的右側交易模式，這種交易可以依靠正確的技術分析籌碼分析大概率研判正確股價之後的走勢，而小概率的錯誤可以用紀律操作保證0大賠，最多小賠出場，那麼時間拉長，就是大賺+小賺+小賠的效率模式。
現在我這么空說你可能沒感覺，舉些實際例子給你看吧，都是股價發生變化事前我在網路知道的回答

⑸ 股票高手請進~

江恩的理論不是在具體的教你怎麼去買賣股票，而是一種哲學和大氣的展現。無論是具體科學還是文學，最終是哲學上的概括才能把握全局，人類的文明雖然隨著時代在不斷的變遷，但是人是恆古不變的萬物之靈。有句話叫做：站的高才能看得遠。江恩就是把古往今來對哲學的思考加入了理論之中，你僅僅局限於股票操作是無法體會這種大氣的。你的學會縱觀全球的金融市場，從宏觀經濟學的角度來看資本市場，而不是單獨的股票，最終轉化成一種對戰略的思考，而不是具體操作的戰術。你把自己想像成國家的財政部長，手握2000億資本，要抵禦外來的金融攻擊，也要發展國內的經濟。你就能理解了！
PS：江恩理論的戰略意義明顯大於戰術意義，他把握的更多的是趨勢，而非細節的操作點。操作點我建議還是傾向數學工具，用統計的方法，大數理論能平滑掉內部的誤差，從而反映本質的細節。不然你還看什麼K線阿？K線不就是每天去統計數據畫圖么？量變產生質變，道理不錯，但是質變得時間和關鍵點，江恩的理論顯得有些勉強，不如看數據來的真實。科學沒有半點虛假。

⑹ 基於機器學習的情感分析是什麼意思

以下以語義特徵為例：

機器學習基於語義特徵的情感分析

基於語義特徵的情感分析先人已有研究，可以通過情感詞典匹配來做，但是應用機器學習在這方面會使精確度更高些。
以本人參與的一個項目為主，總結下相關技術點。
背景是：分析用戶評論感情色彩是積極還是消極，即是褒還是貶。

具體步驟為：
1.有監督的人工給文本標注類標簽。如有5000條評論數據，我們給其中的1000條標為積極的，再選1000條標為消極的，積極和消極就是所謂的類標簽。
2.選擇特徵。從積極的評論數據中按詞來選擇積極的所有特徵。同理，從消極的評論數據中按詞來選擇消極的所有特徵。如「這款游戲非常好玩」->」這款」->「游戲」->」非常」->」好玩」，分為四個特徵詞，也可以採用雙詞搭配，「這個游戲」和「非常好玩」作為特徵。
3.特徵降維，減少特徵的數量。如上「這個游戲非常好玩」中的「這個游戲」沒有必要作為特徵，因為「好玩」或「非常好玩」已經決定了評論是積極的。
4.將語料文本變成使用特徵表示。
5.統計所有特徵出現的次數，並按倒序排序。
6.從以上結果中選出排序最靠前的一些特徵作為最終的評判特徵。
7.使用訓練數據根據特徵訓練分類演算法，得到分類器。
8.用測試數據檢測分類器的准確度。
我們將數據分為兩部分：開發集、測試集。用開發集的數據訓練分類演算法得到分類器；再用分類器對測試集里的數據進行分類，給出分類預測得到的標簽；對比分類標簽和人工標注得到的標簽的差異，計算出准確度。

⑺ 聊聊你對股票投資的一些看法

投資股市應遵守以下三個原則：
1.不借錢炒股
有些投資者是用自己的積蓄來投資股票，碰上股市行情好，賺了錢就應收手，但人們往往還想賺得更多，於是借錢炒股，這是非常不理智的做法。一旦虧了便債台高築，得不償失。
2.不要用賭博心態炒股
買股票本是一種投資，而現實生活中很多投資者卻用賭博心態去炒股，將全部資金買了一隻股票，輸贏就看這一次，賺了自己運氣好，虧了怪自己手氣壞。賺了想再賺，虧了想扳本。股市的漲跌是很正常的，投資股市必須有一顆平常心，不以股市漲升而沾沾自喜，不以股市下跌而怨天尤人。好心態才會有好的收益。
3.不要把炒股作為主業
炒股可以致富，但並不是每個人都能通過股市成為富翁。股市好時，交易廳人滿為患，各行各業的人都盲目地擠進股市，賣菜的不賣菜了，小店主也不開店了，還有許多上班族上班時打個照面就流到股市去了，甚至有許多人把炒股作為主業，終日泡在交易廳，夢想著賺大錢。殊不知股市賺錢容易，賠錢更容易，那些賺錢的股民是以一部分股民賠錢為代價的。

⑻ 最經典的10本股票書籍有哪些

第一本 股票作手回憶錄
作者：利沃默
這本書相信大家已經在無數的論壇和前輩提到過，但都無動於衷，沒有正式看過，或者看過的時候還剛開始交易，對交易理解尚淺，沒有體會到這本書的真正價值！甚為可惜！實際上無論是新手還是老手都應當反復看，因為這本書談論的是市場的根本和一個完整的交易框架，離開了這個根本和框架，你對市場的距離和理解都是片面的，多少年老手覺得自己非常牛逼，結果在一場交易失利後翻看該書才斷然悔悟，覺得詳見恨晚，這個傻逼無比的人就是我！因此這本書也成為了枕邊書！
所以不要錯過這本書，找點時間把這本書啃下來，收益良多！
推薦大家看丁聖元翻譯的版本，之前版本就不要看了，翻譯的很不通順。
第二本 推薦華人陳江挺的《炒股的智慧》，一本薄薄的小書，但內容很全面，如果是新手的話推薦一年之內看三遍，打下基礎的交易技術和理念。
這本書可能已經絕跡，但網上還有電子版的，可以下載看。
第三本 推薦《亞當理論》也是很薄的一本書，講的道理也很簡單（但很深刻），最主要的是這本書通過很多故事來說明道理，讓人深刻理解什麼是市場！這是很多新手和老手都或缺的！
當年用了接近三個小時看了完整的電子版，但回味卻用了2個小時，其實書中的理念早已知曉並貫徹執行，但還是很佩服作者能夠把道理說的如此深刻，讓人從情感上理解了市場，而不是書本上那種字面理解，這就是我強烈推薦的原因。
能夠省卻很多認識上的彎路，其實交易這個行當屬於先難後易型，前面有無數的彎路和誘惑，後面只要走過去了，問題就不大了，當然後面的道路需要自律，這個沒有人能夠替代，高低的區別也在這里。
第四本 台灣刀疤老二的文章，全名叫做台灣名家刀疤老二經驗談。
聽到刀疤老二這個名字想必很多股友覺得很雷人，其實不然，這個名字只是代號而已，沒有我們想像的那個方面意思，反倒是刀疤老二本人在火了以後，被人尊稱為刀疤大大。
這本書我看了很多遍，不為別的就為了那「簡單明了」四個字，我覺得港台、歐美等地知識類書籍與國內最大的區別在於趣味性，讀刀疤的書讓你在最短時間親身感受到一個職業交易者的成長過程，把十幾年的時光和體驗濃縮在一個個他敘述自我的過程中，其中理念、策略、方法都有涉足，我覺得這本書是新手進階必讀物！
看完了這本，對於「什麼是趨勢」以及怎樣看趨勢，運用趨勢去做股票會有格外提升，對於看盤功夫欠缺或者總是感覺提升不上來的，也必須補補這本書。
第五本 《全球傑出交易員的成功實踐和心路歷程》
人物傳記類股票圖書是我的最愛，不為別的光是每一個人物的故事和經歷會讓我受益匪淺，而在情感上能夠體驗他們面對交易上的壓力和處理方法，每一個訪談猶如電影版在面前回訪，而我習慣於把這種電影映射在記憶的深處，一旦面臨相同情況，這種記憶就會被打開，好多次都拯救了我的交易。
當年讀完這本書的時候我個人最大收獲就是體會到風險控制這幾個字，在全球各個國家各個領域最頂尖的交易者都在說風險二字的時候，風險已經從一個交易零件變成深入骨髓的東西，如果還覺得自己做不好風險控制或者總是管不住自己下單的手，除了用繩子也可以看看這本書！
第六本《海龜交易法則》 關於海龜的故事在交易圈想必耳聞能熟，版本也比較多，我建議看兩個版本的海龜故事，一個是柯林斯寫的《海龜交易法則》，因為作者本人是海龜，所以很多案例很真實，可以讓我們情景再現的學習。
另一個是張軼翻譯的《真正的海龜交易者》這本書沒有出版，但就其內容來說我認為是眾多海龜故事和海龜交易版本中最好的一本。裡面很多句子都讓我感到心靈的共鳴，我甚至讀完中文後又對照英文對了一遍，每一遍都讓我震驚，一個是譯者的精準翻譯，另一個是書的作者是那種真正懂交易，同時又能寫出來讓人看明白，所以強烈推薦了。
第七本《克羅談期貨交易策略》翻譯者同樣是張軼，這里說一下看了很多的書，張軼都是翻譯者，雖然他本人不是交易高手，也在各個論壇上看到他為生活忙碌，但他本人的價值已經通過翻譯這些經典的著作得到印證，這里再次謝過張兄，也祝他越來越好。
克羅是美國著名交易家，有些地方把他歸結為長線交易大師，這個我並不認同，通常只有媒體和對交易攝入不神的人才會對交易者打符號以便理解，資深的交易者都知道，每一個交易交易手法通常都會有幾樣，並不是完全死板的那種固定，有時會非常靈活，所以很難簡單定義某個交易者就是長線交易方法。之所以要說這么多是因為大家在看到克羅進行交易的時候雖然很多時候時間周期很長，但他一旦做錯了或者是錯過了都會毫不猶豫的糾正自己的錯誤，看克羅的書交易手法並沒有讓我感慨太多，倒是大師的氣度和沉穩讓我受益良多，總是在交易時反復比較，特別是受股價影響時總會問自己，如果是克羅他會怎麼面對？如果對自己交易感覺到持股沒有定力建議重點看看，會心靜下來很多！
第八本《職業期貨炒手》說上本書的時候忘了說一句話，克羅的書都是經典！這本也一樣，克羅的書在國內有好幾本，我基本都看過，但有些版本並不是很好，建議大家還是去看張軼翻譯的，這本也是克羅書中不可多得的經典，反倒是克羅最早出版的《克羅談投資策略》我覺得在克羅的書中是相對弱的一本，也許是書出來以後不暢銷吧，所以後面的書就沒有出版。這也是一種悲哀，好書通常受眾群體較小，很難暢銷，暢銷書一般都是通俗類小說，所以這里有個經驗告訴大家，看到好書一定要買下來，哪怕後來發現這本書並不是很完美，經典的只是其中一部分，也要買下來，圖書代表一種知識資源，這種資源因為我上面說的出版原因可能沒有機會出現在你的眼前，如果你錯過了，就需要很長時間才能獲得相應完整知識，而買錯一本書的成本不過幾十元，下載電子版的甚至免費，所以不要錯過一本好書！
第九本《十年一夢》作者青澤，這本書同樣經典，放到這里似乎有些晚，但在前面我說過，我推薦的順序是按照一般讀者的成長階梯來的，既想讓讀者找到完整的知識結構鏈條，又不想做苦行僧的學習。
在看來前面那麼多的技術和理念後，我相信很多朋友已經積累起來「一定」的交易理念和交易技術，甚至躍躍欲試。但你要注意我在「一定」兩字上面加了引號，是因為按照我的經驗，這個「一定」通常來說是讀者的自我感覺，這個感覺的范圍如果自我感覺是100的話，實際上可能只有30-40%，也就是說實際會縮小！這個是因為人的心理通常會自我膨脹導致的。所以這裡面我把青澤的《十年一夢》加進來，目的是讓大家看看青澤自述的一個交易者的自我成長，讓大家有更多的感性認識，這種感性的認識是其他通過讀書等理性過程無法獲得的，這才是交易者成長關鍵——能不能在關鍵的時點實現知識和自我認知的飛躍！
第十本《金融怪傑》《新金融怪傑》這兩本書比較老，有一本國內還沒有出版，但網上電子版的很多，大家可以隨便下一下，這兩本書在很早就已經通讀過，但那個時候沒有領會精髓，只當成傳記類財經圖書讀了一遍，若干年後當自己有了一定的經驗後再讀，發現好像以前完全沒有讀過一樣，於是仔仔細細又看了一遍，再過若干年再讀又感慨書里內容很多太經典，為什麼沒有早點明白呢？於是再讀，這次讀了兩遍，基本背了下來。
說了這么多大家一定很好奇，這兩本書到底說的是什麼？其實這兩本書是傑克斯瓦格采訪記錄，他采訪了全世界最優秀的交易者，然後把記錄整理成書，不管是對想進入交易行當的人還進入多年的老手，通過他的書都可以領略全世界頂尖交易員的智慧，成本是免費！
所以我的建議是把這兩本書找到，然後背下來，五年以後再度，你會感激我說的這番話。
第十一本《對沖基金奇才》這本同樣是斯瓦格的書，依舊是采訪全世界最頂尖的交易者，十多年過去了，斯瓦格的采訪功力顯然見漲，挖掘出了采訪者更多的東西，視野也更加開闊，僅僅是交易策略的劃分讀後就比多年前《金融怪傑》時要細致的多，這本書比較厚，只看了兩遍，但卻是太經典，裡面有很多東西讓人如淋春風，把很多經典章節用手機拍了下來，有空的時候常常翻看，所以強烈推薦了！
第十二本《通向財務自由之路》作者范.k.撒普，這本書的第一版名字叫做《通向金融王國自由之路》剛開始看到這個名字的時候我特別討厭，因為當時正好成功學等爛書滿天飛的時候想當然的以為是這類書籍，然後被拋棄很多年後偶然上網查資料涉獵到書里內容，才又死扛著的耐心看了一點書的內容，這一看發現自己竟然發現了金子。
《通向財務自由之路》這本書如果按照傳統的股票書籍去理解，你會發現他說的內容簡直是鳥語，但是如果你真的是一個對交易理解比較深入的人，你會逐漸發現你過去對交易的理解是多麼的淺顯和片面，甚至是無知！
也正是這本書書讓我全面、深入的了解了市場的機理和運作，走上的了職業化交易的道路。

⑼ 情感指數是什麼

網路名片中對指數有所說明
指數
求助編輯網路名片指數，根據某些采樣股票或債券的價格所設計並計算出來的統計數據，用來衡量股票市場或債券市場的價格波動情形。

情感指數 我個人的理解是:應該是將情感以數字的形式進行表達，然後進行分析。然後根據得出的結果作為參考分析，調整情緒，或者做點相應的事情。

⑽ lstm 情感分析model.add+1，256 參數是什麼意思

neg=pd.read_excel('neg.xls',header=None,index=None)
pos=pd.read_excel('pos.xls',header=None,index=None) #讀取訓練語料完畢
pos['mark']=1
neg['mark']=0 #給訓練語料貼上標簽
pn=pd.concat([pos,neg],ignore_index=True) #合並語料
neglen=len(neg)
poslen=len(pos) #計算語料數目

cw = lambda x: list(jieba.cut(x)) #定義分詞函數
pn['words'] = pn[0].apply(cw)

comment = pd.read_excel('sum.xls') #讀入評論內容
#comment = pd.read_csv('a.csv', encoding='utf-8')
comment = comment[comment['rateContent'].notnull()] #僅讀取非空評論
comment['words'] = comment['rateContent'].apply(cw) #評論分詞

d2v_train = pd.concat([pn['words'], comment['words']], ignore_index = True)

w = [] #將所有詞語整合在一起
for i in d2v_train:
w.extend(i)

dict = pd.DataFrame(pd.Series(w).value_counts()) #統計詞的出現次數
del w,d2v_train
dict['id']=list(range(1,len(dict)+1))

get_sent = lambda x: list(dict['id'][x])
pn['sent'] = pn['words'].apply(get_sent)

maxlen = 50

print "Pad sequences (samples x time)"
pn['sent'] = list(sequence.pad_sequences(pn['sent'], maxlen=maxlen))

x = np.array(list(pn['sent']))[::2] #訓練集
y = np.array(list(pn['mark']))[::2]
xt = np.array(list(pn['sent']))[1::2] #測試集
yt = np.array(list(pn['mark']))[1::2]
xa = np.array(list(pn['sent'])) #全集
ya = np.array(list(pn['mark']))

print 'Build model...'
model = Sequential()
model.add(Embedding(len(dict)+1, 256))
model.add(LSTM(256, 128)) # try using a GRU instead, for fun
model.add(Dropout(0.5))
model.add(Dense(128, 1))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', class_mode="binary")
print 'Fit model...'
model.fit(xa, ya, batch_size=32, nb_epoch=4) #訓練時間為若干個小時

classes = model.predict_classes(xa)
acc = np_utils.accuracy(classes, ya)
print 'Test accuracy:', acc
可以試一試
w = [] #將所有詞語整合在一起
for i in d2v_train:
w.extend(i)

newList = list(set(w))
print "newlist len is"
print len(newList)

dict = pd.DataFrame(pd.Series(w).value_counts()) #統計詞的出現次數
print type(dict)
print len(dict)