近期股市起伏較大，前幾日的暴跌引起了市場上大面積的情緒恐慌。不知道技術宅們是否也有注意到呢？大數據時代的到來，使得越來越多的研究將大數據與金融市場相結合，無論是使用大數據分析企業的盈利狀況，還是利用大數據預測金融市場，學術界、商業界都抱之極大的興趣。那麼，你知道如何利用社交媒體的數據來預測金融市場嗎？今天，小編就來跟大家談一談。
股市漲跌，是一個引人關注、甚至關乎投資者性命的重大話題。在行為經濟學沒有傳播開以前，傳統經濟學是建立在隨機行走和有效市場假說的基礎之上的，根據有效市場假說理論，股票價格的變動取決於新出現的信息（新聞），而非取決於過去或未來的股價。眾所周知，市場新信息的湧現是無法預測的。由此而言，預測股市的漲跌也是幾乎不可能的事情。
但是隨著行為經濟學的傳播與大數據時代的到來，出現越來越多的新工作挑戰著有效市場假說的合理性，許多研究表明金融市場並不是一個完全的隨機過程，在一定程度上，金融市場存在著一定的可預測性。雖然我們確實無法掌控市場上新信息的出現，如中美貿易關稅徵收、美股漲跌等等，但是我們現在可以從社交網絡上抓取一些相關的徵兆，通過模型分析，預測其對應的市場上信息的變化。
舉例而言，在經濟與社會上，已經出現的相關工作有：利用線上聊天數據預測圖書銷量，利用PLSA模型從博客中抓取情緒化信息來預測電影票房，利用Google搜索數據來預測流感的早期傳播和傳播速率等。
編在知乎上看到，曾有這樣一篇論文發表於《Journal of Computational Science》，印第安娜大學和曼切斯特大學的研究人員利用Twitter用戶發表的tweet內容，通過OpinionFinder和Google-Profile of Mood States (GPOMS)這兩種情緒分析模型，針對公眾的情緒變化進行數據抓取與分析。其中OpinionFinder是將人的情緒區分為正面和負面兩種模式，而GPOMS將情緒分成更細緻的六類，分別是Calm, Alert, Sure，Vital, Kind和Happy。
利用格蘭傑因果檢驗（Granger causality test），作者發現公眾情緒和道瓊斯平均指數（DJIA）之間存在著明顯的關聯，且公眾情緒的時間序列可以作為股指變化的自變量。尤其是GPOMS中的Calm指標，在提前2天到6天的範圍內，可以對指數變動做出有效的反應。因此，從某種程度上講，公眾情緒某些指標可能可以有效的預測未來股價的變動。
基於這樣的猜測，該文作者在一個自組織模糊神經網絡模型（Self-organizing Fuzzy Neural Network [SOFNN] model）的基礎上，將公眾情緒時間序列作為一個自變量輸入到該模型中，通過這樣的改進，使得預測的效果有明顯的改進。該模型可以有效地預測DJIA指數收盤價的漲和跌的方向，其準確率高達86.7% ，而預測失誤的平均百分比下降6%。
現階段的股市，除了信息對股票價格的變化產生影響外，企業的實際經營能力和投資者情緒其實都發揮著重要的作用。從長期來看，企業的實際盈利能力是對股票價格走向起著決定性的作用；但是從短期的波動來看，投資者情緒的影響往往相當顯著。而投資者卻是很難做到完全理性的，我們並不完全都是傳統經濟學觀念中的理性人。在今年上半年，美股的大跌就曾引起連鎖反應——國內的情緒恐慌，間接影響國內的指數大跌。
雖然依靠投資者情緒分析並不能完全預測金融市場的動向，但是不可否認其具有相當的參 考意義。這也為社會化媒體數據的發展起到了一定的推動作用。隨著網絡社交媒體的普及，實時獲取並分析公眾的情緒變化越來越容易，成本逐漸降低，相信未來相關行業會湧現一批新職業。
大數據應用領域日益廣泛，無論是金融市場，還是其他行業，大數據技術的加入都會推進著行業的發展與進步，跨行業複合型人才需求也將越來越大。華信智原也將會在大數據人才培養的路上越走越遠。
閱讀更多 昆明華信智原 的文章
