Enhancing Financial Market Predictions: Causality-Driven Feature Selection

本文介绍了FinSen数据集，该数据集通过将来自197个国家的经济和金融新闻文章与股市数据整合，革新了金融市场分析。该数据集的广泛覆盖范围涵盖了2007年至2023年的15年时间跨度，并提供了时间信息，共有160,000条财经新闻记录，提供了丰富的全球视角。本研究利用经过因果验证的情感得分和LSTM模型来提高市场预测的准确性和可靠性。利用FinSen数据集，我们引入了一种创新的Focal Calibration Loss，将期望校准误差（ECE）降低到3.34%，使用DAN 3模型。这不仅提高了预测准确性，而且将概率预测与实际结果紧密对齐，这在预测概率至关重要的金融行业中非常关键。我们的方法证明了将情感分析与精确校准技术相结合在可信的金融预测中的有效性，而误解的代价可能很高。FinSen数据可在此github URL中找到（https://github.com/EagleAdelaide/FinSen_Dataset.git）。

本论文旨在通过整合来自197个国家的经济和金融新闻文章与股票市场数据，引入FinSen数据集，从而革新金融市场分析。作者试图利用该数据集和情感分析技术提高金融市场预测的准确性和可靠性，并通过引入创新的Focal Calibration Loss技术来降低预期校准误差，从而使预测概率与实际结果更加接近。

论文的关键思路是结合情感分析和精确的校准技术，提高金融预测的准确性和可靠性。通过引入Focal Calibration Loss技术，降低预期校准误差，使预测概率更接近实际结果。

该论文的亮点包括整合全球经济和金融新闻文章与股票市场数据的FinSen数据集，以及使用情感分析和LSTM模型提高金融预测的准确性和可靠性。此外，引入创新的Focal Calibration Loss技术降低了预期校准误差，使预测概率更接近实际结果。该数据集已在GitHub上开源。

在最近的相关研究中，一些学者也在探索利用情感分析技术来提高金融预测的准确性和可靠性，例如“Sentiment analysis and stock price prediction: A comprehensive review”和“Predicting stock prices using sentiment analysis of Twitter data and machine learning”.