Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis

股市的上升通常反映了经济的繁荣状态，而其下降则经常是经济衰退的指标。因此，长期以来，用于预测金融股票市场趋势的显著相关因素已被广泛讨论，人们对金融文本挖掘的任务越来越感兴趣。股价固有的不稳定性使其对金融市场的波动极为敏感。在本文中，我们利用基于股价历史和介绍市场信息的金融、商业、技术新闻文章的深度学习网络来预测股价。我们通过将加权新闻类别整合到预测模型中来说明预测精度的提高。我们开发了一个预先训练的NLP模型，称为FinBERT，旨在识别金融文本中的情感。随后，我们通过将复杂的长短期记忆（LSTM）架构纳入其中来推进该模型，从而构建了创新的FinBERT-LSTM模型。该模型利用与股票市场结构层次相关的新闻类别，即市场、行业和股票相关的新闻类别，结合上一周的股票市场股价情况进行预测。我们选择了纳斯达克100指数股票数据，并在Benzinga新闻文章上对模型进行了训练，并利用平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和准确性作为评估和比较模型性能的关键指标。结果表明，FinBERT-LSTM表现最佳，其次是LSTM，DNN模型在有效性方面排名第三。

利用深度学习网络结合金融新闻预测股票价格的问题。

论文中提出了一种新的预测模型FinBERT-LSTM，结合了预训练的自然语言处理模型FinBERT和LSTM网络，以及新闻分类信息和股票历史价格信息，提高了预测准确率。

论文使用了预训练的NLP模型FinBERT和LSTM网络，结合了新闻分类信息和股票历史价格信息，提高了预测准确率。实验使用了Benzinga新闻数据集和NASDAQ-100指数股票数据集，评估了模型的表现，并且开源了代码。

最近的相关研究包括：1.使用深度学习网络结合新闻情感分析预测股票价格；2.使用机器学习算法结合技术指标预测股票价格。