c*****t
发帖数: 562 | 1 大家看这事情可能吗？每个股票可能每天都发生很多事情
假设事情的种类是有限的，比如ABC三件事情发生了，导致
股票大跌或大涨，每天都有新的数据去不断train这个model
有没有到一个程度，可以自动利用实时数据来predict哪个
股票会大涨或大跌？我现在挑选了生物股票，就用了有限
的大约20类事件来做预测，从目前情况来看还是不错的。
请问各位有什么好建议吗？ |
O*O
发帖数: 2284 | 2 举个例子？
【在 c*****t 的大作中提到】
: 大家看这事情可能吗？每个股票可能每天都发生很多事情
: 假设事情的种类是有限的，比如ABC三件事情发生了，导致
: 股票大跌或大涨，每天都有新的数据去不断train这个model
: 有没有到一个程度，可以自动利用实时数据来predict哪个
: 股票会大涨或大跌？我现在挑选了生物股票，就用了有限
: 的大约20类事件来做预测，从目前情况来看还是不错的。
: 请问各位有什么好建议吗？
|
x*********s
发帖数: 2604 | 3 这个东西很多金融机构都做，首先要有个爬虫程序realtime从各种渠道抓新闻，然后进
行语义分析这个事件对某个股票或者行业的影响是正面还是负面，最后制定交易策略。
有的事件影响大，马上就反应在股价里，有的影响小，市场消化可能需要半个小时，你
需要对影响进行量化然后backtest验证模型。 |
b*******s
发帖数: 5216 | |
s*****3
发帖数: 1673 | 5 这些实时的event 刚一发生，股票的价格就已经反映出来了。你看每次财报的时候股价
的volatility多大。感觉你想通过这些event来判断很难。而且假设你可以通过NLP来分
析 正负，但是有时候你很难判断 MM的意图是什么。有的股每次财报都 under
estimate,每次都疯长，或者是beat了大跌的情况也不少见。
那种搞high frequency trading的应该有这些东西了。主要是你news里面权重占多少呢
。 TA+FA+news 怎么分配？ 你说到药股，那你应该知道 VRX吧，你看看近期的走势
，感觉很难预测。。。
而且现在大部分都用机器人交易，想打败机器人必须用机器人我感觉。或者是依靠时间
和耐心，短期上基本很难 |
l*******s
发帖数: 1258 | 6 几个问题
1. 20个事件，如何从新闻中抽取？关键字？精确度如何
2. back-testing怎么做的 效果如何
【在 c*****t 的大作中提到】
: 大家看这事情可能吗？每个股票可能每天都发生很多事情
: 假设事情的种类是有限的，比如ABC三件事情发生了，导致
: 股票大跌或大涨，每天都有新的数据去不断train这个model
: 有没有到一个程度，可以自动利用实时数据来predict哪个
: 股票会大涨或大跌？我现在挑选了生物股票，就用了有限
: 的大约20类事件来做预测，从目前情况来看还是不错的。
: 请问各位有什么好建议吗？
|
j****0
发帖数: 799 | 7 一直想做这么个系统.
主要是在TA 上下功夫.
主要是对股票了解不多所以不知道怎么下手.
希望这个贴继续讨论下去,也可以跟大牛学习学习 |
H******6
发帖数: 51 | 8 我也有兴趣，以前有时间的时候也做过一些尝试。但对于股票知识完全是门外汉，正在
一点点积累。希望可以和大家一起讨论，共同提高。
有没有微信群，或者类似的我们可以每天讨论？ |
g*******g
发帖数: 59 | |
y******e
发帖数: 5906 | 10 同有兴趣
就是对股票一窍不通正在学习中
有微信的话给个号码呀
申请加入哈 |
|
|
y******e
发帖数: 5906 | 11 如果知道关键字的话可以做个template
然后通过template match搜索信息
只是不知道什么样的关键字才最重要
feature比较难琢磨呀
有feature就好搜了
【在 l*******s 的大作中提到】
: 几个问题
: 1. 20个事件，如何从新闻中抽取？关键字？精确度如何
: 2. back-testing怎么做的 效果如何
|
i******g
发帖数: 8 | |
OE
发帖数: 369 | 13 有人有这方面的微信群么?
这种timing的模型是不太容易做的.
lz 是否可以用这些信号来做pair trading, 想办法对冲掉大盘.
【在 c*****t 的大作中提到】
: 大家看这事情可能吗？每个股票可能每天都发生很多事情
: 假设事情的种类是有限的，比如ABC三件事情发生了，导致
: 股票大跌或大涨，每天都有新的数据去不断train这个model
: 有没有到一个程度，可以自动利用实时数据来predict哪个
: 股票会大涨或大跌？我现在挑选了生物股票，就用了有限
: 的大约20类事件来做预测，从目前情况来看还是不错的。
: 请问各位有什么好建议吗？
|
l*******s
发帖数: 1258 | 14 靠关键字的话，如下问题无法解决：
1。一词多义；多词一以；
2.上下文语义，比如肯定否定；
3。人名地名机构名，这个不能靠穷尽的列表匹配；没有那个资源，且精确度也是问题；
4.OOV问题，即out of vocabulary词就捕捉不到了；
5.事件里面牵扯到的实体之间的关系无法查找；
6.指代消解问题。比如上一句提到Fed，下一句用they指代，但真正的事件只在第二句
里提到；
这玩意得上NLP，但开发需要大量人力物力。
【在 y******e 的大作中提到】
: 如果知道关键字的话可以做个template
: 然后通过template match搜索信息
: 只是不知道什么样的关键字才最重要
: feature比较难琢磨呀
: 有feature就好搜了
|
y******e
发帖数: 5906 | 15 确实你考虑的比较周到
你说的问题，如果是漏检没捕捉到的，很难补救了
但如果是不必要的信息，倒是可以进一步筛选，再做一次feature extraction
NLP正在发展中，我没搞那个
我师弟在搞
我问他进展如何
也就那么回事
NLP噱头够，表面上很强大，发展空间很广泛
但是实际效果呢？
还处在开发中呀
要应用还得等啊！
而且我觉得越复杂的越麻烦问题越多
有时候就用简单的算法就能取得不错的效果了
当然我只是个小虾米，人蠢没办法
牛人有更好的算法
题；
【在 l*******s 的大作中提到】
: 靠关键字的话，如下问题无法解决：
: 1。一词多义；多词一以；
: 2.上下文语义，比如肯定否定；
: 3。人名地名机构名，这个不能靠穷尽的列表匹配；没有那个资源，且精确度也是问题；
: 4.OOV问题，即out of vocabulary词就捕捉不到了；
: 5.事件里面牵扯到的实体之间的关系无法查找；
: 6.指代消解问题。比如上一句提到Fed，下一句用they指代，但真正的事件只在第二句
: 里提到；
: 这玩意得上NLP，但开发需要大量人力物力。
|
l*******s
发帖数: 1258 | 16 NLP确实在发展中 但是在这个应用上 基本已经有比较成熟的方法了 比如NER， Co-ref
， Relation Event detection, SRL等 实际效果也很好
我说的需要投入大量人力物力 是说需要准备很多training data来建立模型。
按照目前的方法 基本上是可以保证不错的效果的 但是还是那句话 需要拖入精力做很
多数据准备工作
【在 y******e 的大作中提到】
: 确实你考虑的比较周到
: 你说的问题，如果是漏检没捕捉到的，很难补救了
: 但如果是不必要的信息，倒是可以进一步筛选，再做一次feature extraction
: NLP正在发展中，我没搞那个
: 我师弟在搞
: 我问他进展如何
: 也就那么回事
: NLP噱头够，表面上很强大，发展空间很广泛
: 但是实际效果呢？
: 还处在开发中呀
|
y******e
发帖数: 5906 | 17 你后面说的这些我没接触过，所以不知道，呃
ref
【在 l*******s 的大作中提到】
: NLP确实在发展中 但是在这个应用上 基本已经有比较成熟的方法了 比如NER， Co-ref
: ， Relation Event detection, SRL等 实际效果也很好
: 我说的需要投入大量人力物力 是说需要准备很多training data来建立模型。
: 按照目前的方法 基本上是可以保证不错的效果的 但是还是那句话 需要拖入精力做很
: 多数据准备工作
|
