SETN：基于文本和网络信息增强的股票嵌入

本文应用词嵌入技术和深度神经网络模型，利用金融新闻预测股票价格的走向，实验证明该方法简单有效。

研究提出了一种双层注意力神经网络，通过知识方法提取相关财经新闻，使用输入注意连接更有影响力的新闻与日嵌入。

采用输出注意机制以不同权重分配不同日对股价变动的贡献，实证研究表明该方法在股票价格预测方面优于现有方法。

提出了一种新的自然语言文本嵌入方法，称为神经嵌入，结果表明其在语义表达方面表现良好。

研究基于深度单妻神经网络模型，将实体及其语法变化的语义信息嵌入到嵌入向量中，证明了框架的有效性。

提出了内容增强网络嵌入 (CENE) 方法，能够联合利用网络结构和内容信息，试验结果表明该模型在节点分类应用中胜过其他方法。

利用深度学习的正则化和优化技术，通过嵌入和双向循环神经网络捕捉新闻文章和股票价格之间的关系，提高了股票价格分类的准确性。

提出了一种利用多模态注意力网络进行股票预测的方法，将社交媒体中的语义信息和历史交易记录中的数字特征相结合，提高了预测准确性和交易利润。

使用基于股票价格历史和金融、商业、技术新闻文章的深度学习网络来预测股票价格，结果显示 FinBERT-LSTM 模型性能最佳。

使用深度神经模型从新闻文本中提取语义特征，应用自注意机制预测标准普尔 500 指数和个人公司股价的方向性变化，证明了自然语言处理技术在金融领域的有效性。