• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于BPNN和SVR的股票價(jià)格預(yù)測(cè)研究

    2018-03-10 07:54:34冉楊帆蔣洪迅
    關(guān)鍵詞:股票價(jià)格詞典股票

    冉楊帆,蔣洪迅

    (中國(guó)人民大學(xué) 信息學(xué)院,北京 100872)

    0 引言

    股票市場(chǎng)發(fā)展至今已有400多年的歷史。股票市場(chǎng)反映了國(guó)民經(jīng)濟(jì)的發(fā)展情況,被稱為金融市場(chǎng)的“晴雨表”和“預(yù)警器”。在我國(guó),股票市場(chǎng)在資本融通、財(cái)富再分配、優(yōu)化資源配置、金融資產(chǎn)價(jià)格發(fā)現(xiàn)等方面有著重要的作用[1]。20世紀(jì)90年代,滬、深兩家交易所陸續(xù)成立,我國(guó)的股票市場(chǎng)進(jìn)入高速發(fā)展階段,但是由于起步較晚,制度尚不健全,在飛速發(fā)展的同時(shí)也暴露出很多問(wèn)題,如股市容易大幅度波動(dòng),產(chǎn)生暴漲或暴跌現(xiàn)象,存在大量人為惡意操縱等。這些現(xiàn)象對(duì)廣大投資者,乃至我國(guó)國(guó)民經(jīng)濟(jì)的發(fā)展有著極大的危害,因此,掌握股票市場(chǎng)的變化規(guī)律,是股票市場(chǎng)健康發(fā)展的重要前提。

    隨著人們生活水平不斷提高,許多人開(kāi)始將閑錢(qián)用于投資理財(cái),進(jìn)入股票市場(chǎng)。與發(fā)達(dá)國(guó)家相比,我國(guó)的投資者多為個(gè)人,機(jī)構(gòu)投資者占比較少,大多數(shù)股民風(fēng)險(xiǎn)承擔(dān)能力較弱,股票市場(chǎng)的異常波動(dòng)對(duì)廣大投資者有著巨大的損害。一直以來(lái),股票市場(chǎng)都需要一種比過(guò)去更高效的投資理論,為廣大投資者提供更好的投資方法,以提高投資收益、規(guī)避投資風(fēng)險(xiǎn)[2]。

    應(yīng)用現(xiàn)有的技術(shù)在一定程度上實(shí)現(xiàn)對(duì)股票價(jià)格的預(yù)測(cè)對(duì)股票市場(chǎng)、投資者都具有十分重大的意義。然而,股票市場(chǎng)是一種極其復(fù)雜的系統(tǒng),由于股票市場(chǎng)影響因素的多樣性和不確定性,以及股票市場(chǎng)特有的高噪聲和非線性的特性,想要得到高精確度的預(yù)測(cè)結(jié)果十分艱難。

    隨著大數(shù)據(jù)時(shí)代的到來(lái)和海量數(shù)據(jù)庫(kù)的發(fā)展,對(duì)股票市場(chǎng)每天產(chǎn)生的海量數(shù)據(jù)加以利用變?yōu)榭赡?越來(lái)越多的學(xué)者開(kāi)始考慮使用更多的數(shù)據(jù)來(lái)源,如輿論、股票新聞等,各種文本挖掘和機(jī)器學(xué)習(xí)的方法也被廣泛地應(yīng)用到了股票研究中,主流的機(jī)器學(xué)習(xí)方法,如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)在對(duì)復(fù)雜信息的綜合處理上表現(xiàn)良好,可以克服傳統(tǒng)預(yù)測(cè)方法中的許多局限。本次研究將新聞文本作為輸入之一,通過(guò)人工構(gòu)建專門(mén)針對(duì)股票市場(chǎng)的情感詞典和語(yǔ)義規(guī)則,計(jì)算每篇新聞的情感值,并分別使用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)回歸的方法建立股價(jià)預(yù)測(cè)模型。本次研究是一次很有意義的嘗試和探索,可為情感分析、機(jī)器學(xué)習(xí)等技術(shù)應(yīng)用于股票市場(chǎng)價(jià)格預(yù)測(cè)提供一定的理論價(jià)值和實(shí)踐價(jià)值。

    股票市場(chǎng)是一個(gè)極其復(fù)雜的系統(tǒng),股票的價(jià)格受政治、經(jīng)濟(jì)、行業(yè)、公司、人為因素和心理因素等諸多因素影響[3]。股票系統(tǒng)的復(fù)雜性、多變性導(dǎo)致股票價(jià)格的變化通常具有較高的非線性特征,而傳統(tǒng)的預(yù)測(cè)方法大多是基于線性模型,不能很好地反映這些因素對(duì)股價(jià)的影響[4]。

    20世紀(jì)60年代,許多學(xué)者將股市中的歷史數(shù)據(jù)按時(shí)間先后順序列出,建立起時(shí)間序列預(yù)測(cè)模型,該模型可以較為準(zhǔn)確的預(yù)測(cè)股票市場(chǎng)未來(lái)幾天的變化。這些時(shí)間序列模型都著眼于歷史市場(chǎng)數(shù)據(jù),通過(guò)觀察歷史的變化規(guī)律來(lái)推測(cè)股價(jià)未來(lái)的走勢(shì),較為出名的有移動(dòng)平均模型(MA)[5],指數(shù)平滑和ARIMA模型[6]。

    一些研究者認(rèn)為,股票市場(chǎng)是一種極其復(fù)雜的系統(tǒng),股票價(jià)格預(yù)測(cè)的輸入不應(yīng)只包含股票市場(chǎng)歷史的數(shù)據(jù),還應(yīng)該包含其他類型的數(shù)據(jù)。隨著大數(shù)據(jù)時(shí)代的到來(lái)和海量數(shù)據(jù)庫(kù)的發(fā)展,使得股票市場(chǎng)每天產(chǎn)生的海量數(shù)據(jù)的使用變?yōu)榭赡?越來(lái)越多的學(xué)者開(kāi)始考慮更多的數(shù)據(jù)源,把股票輿論、股票新聞信息作為輸入加入預(yù)測(cè)模型,各種文本挖掘和機(jī)器學(xué)習(xí)的方法也被廣泛地應(yīng)用到了股票研究中。另外,許多學(xué)者開(kāi)始將情感分析和機(jī)器學(xué)習(xí)相結(jié)合,來(lái)預(yù)測(cè)股票價(jià)格,都取得了不錯(cuò)的效果。

    將神經(jīng)網(wǎng)絡(luò)方法運(yùn)用到股票和指數(shù)價(jià)格預(yù)測(cè)領(lǐng)域,最早可追溯到20世紀(jì)90年代[7],1996年Gencay等[8]建立了向前人工神經(jīng)網(wǎng)絡(luò)模型,先將道瓊斯工業(yè)評(píng)價(jià)指數(shù)的歷史數(shù)據(jù)進(jìn)行移動(dòng)平均,得到其平均價(jià)格作為輸入,然后用該模型對(duì)1967年到1988年的指數(shù)進(jìn)行預(yù)測(cè),研究結(jié)果顯示,神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果優(yōu)于簡(jiǎn)單的移動(dòng)平均法,不過(guò),當(dāng)時(shí)的預(yù)測(cè)效果還達(dá)不到實(shí)際應(yīng)用的要求。2003年,Zhang等[9]把神經(jīng)網(wǎng)絡(luò)模型和時(shí)間序列模型ARIMA進(jìn)行了對(duì)比實(shí)驗(yàn),得出在非線性數(shù)據(jù)的處理方面,神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度好于ARIMA模型。Murat等[10]使用神經(jīng)網(wǎng)絡(luò)模型對(duì)TKC證券進(jìn)行預(yù)測(cè),將趨勢(shì)、波動(dòng)性和動(dòng)力等不同類型的數(shù)據(jù)作為輸入,并使用2006年的數(shù)據(jù)進(jìn)行測(cè)試,研究結(jié)果顯示神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果優(yōu)于其他模型,但該研究沒(méi)有解釋模型輸入向量的甄選理由,存在較強(qiáng)的主觀性。另外,一些學(xué)者將小波包方法和神經(jīng)網(wǎng)絡(luò)方法進(jìn)行結(jié)合,例如張坤、郁湧等[11]把股價(jià)進(jìn)行小波分解,生成多個(gè)不同尺度的分層數(shù)據(jù),然后先預(yù)測(cè)得到各層的預(yù)測(cè)結(jié)果,再把各層的預(yù)測(cè)結(jié)果作為輸入,利用BP神經(jīng)網(wǎng)絡(luò)得出最終的預(yù)測(cè)結(jié)果,最終該模型能取得了較好的預(yù)測(cè)效果。

    支持向量機(jī)模型(Support Vector Machine,簡(jiǎn)記為SVM)是另外一種經(jīng)常被用于股票價(jià)格預(yù)測(cè)研究的機(jī)器學(xué)習(xí)模型,SVM方法使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,具有較好的泛化能力[12]。1995年,Vapnik出版了《The Nature of Statistical Learning》一書(shū),標(biāo)志著支持向量機(jī)理論的成熟,經(jīng)過(guò)二十多年的發(fā)展,SVM相關(guān)的理論和方法得以完善和豐富。2003年,Kim[13]把支持向量機(jī)回歸模型(SVR)用于股票價(jià)格預(yù)測(cè)中,并和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比,發(fā)現(xiàn)SVR的精確度好于BP神經(jīng)網(wǎng)絡(luò)。2005年,Huang等[14]將支持向量機(jī)用于日經(jīng)225指數(shù)的預(yù)測(cè)研究中,得出其預(yù)測(cè)精確度比神經(jīng)網(wǎng)絡(luò)方法更高。2006年Xu等提出了改進(jìn)的最小二乘支持向量機(jī)(簡(jiǎn)稱LS-SVM),優(yōu)化參數(shù)后用于對(duì)納斯達(dá)克指數(shù)進(jìn)行預(yù)測(cè),得到了令人滿意的預(yù)測(cè)結(jié)果。2013年,施劍[15]把支持向量機(jī)算法應(yīng)用到新股IPO首日價(jià)格變動(dòng)預(yù)測(cè)上,解決了其他預(yù)測(cè)方法對(duì)歷史數(shù)據(jù)具有較大依賴性的問(wèn)題,為今后的研究提供了有力參考。2014年張世軍[16]將網(wǎng)絡(luò)輿情加入SVM模型,獲得了更佳的預(yù)測(cè)效果。2014年龍真真等[17]在SVM模型的基礎(chǔ)上,加入模糊核超球快速分類算法建立預(yù)測(cè)模型,研究表明該模型能較為準(zhǔn)確地預(yù)測(cè)滬市上市公司的回報(bào)率。從一些學(xué)者的研究結(jié)果中可以看出,在他們的研究所適用的范圍內(nèi),SVM模型的預(yù)測(cè)效果優(yōu)于神經(jīng)網(wǎng)絡(luò)模型。

    綜上所述,國(guó)內(nèi)外多數(shù)研究的焦點(diǎn),集中在機(jī)器學(xué)習(xí)模型的優(yōu)化,或是將原有模型與其他算法相結(jié)合以求得到更好的預(yù)測(cè)效果,把網(wǎng)絡(luò)新聞文本數(shù)據(jù)作為輸入加入股價(jià)預(yù)測(cè)模型的研究尚不多見(jiàn)。

    1 數(shù)據(jù)采集與預(yù)處理

    1.1 新聞數(shù)據(jù)的采集

    股票市場(chǎng)是一個(gè)高收益與高風(fēng)險(xiǎn)并存的場(chǎng)所,投資者愿意花大量的時(shí)間去了解它們所關(guān)注的公司的動(dòng)態(tài)。各大財(cái)經(jīng)新聞網(wǎng)、證券新聞網(wǎng)是大多數(shù)投資者的重要信息來(lái)源,它們所發(fā)布的新聞、評(píng)論也深刻地影響著投資者的決策。

    根據(jù)影響力、重要性、原創(chuàng)性對(duì)各大新聞網(wǎng)址進(jìn)行對(duì)比分析,劃定新聞文本的采集范圍,選取具有代表性的股票新聞門(mén)戶網(wǎng)站作為數(shù)據(jù)源。同時(shí),盡可能獲取較長(zhǎng)時(shí)間段的新聞數(shù)據(jù)用于研究。

    最后選定了中證網(wǎng)、中華財(cái)會(huì)網(wǎng)、華夏時(shí)報(bào)、證券時(shí)報(bào)網(wǎng)、中國(guó)財(cái)經(jīng)新聞網(wǎng)五家權(quán)威網(wǎng)站作為數(shù)據(jù)來(lái)源,抓取的時(shí)間跨度從2008年1月1日到2016年12月31日。通過(guò)編寫(xiě)Java爬蟲(chóng)進(jìn)行抓取,抓取的字段有:標(biāo)題、網(wǎng)址、發(fā)布時(shí)間、內(nèi)容。其中,對(duì)中證網(wǎng)、中華財(cái)會(huì)網(wǎng)、證券時(shí)報(bào)網(wǎng)、中國(guó)財(cái)經(jīng)新聞網(wǎng)采用搜索抓取方式,即先按關(guān)鍵詞進(jìn)行搜索,抓取其搜索結(jié)果,華夏時(shí)報(bào)由于新聞量不大,采取直接搜索方式。最后爬取到新聞共1 447 440篇,共7 GB左右。

    1.2 股價(jià)數(shù)據(jù)的采集

    本次實(shí)驗(yàn)選取了20只股票作為研究對(duì)象。在選擇時(shí),交易量是最重要的因素,高交易量的股票一般發(fā)行量也大,也間接說(shuō)明了發(fā)行公司實(shí)力雄厚,這樣的公司一般更易受到投資者的關(guān)注。同時(shí),高交易量也反映了股票的不穩(wěn)定性,這意味著有更多的新聞報(bào)道它們,當(dāng)股票價(jià)格不穩(wěn)定時(shí),新聞報(bào)道也更容易對(duì)投資者的決策產(chǎn)生影響。

    通過(guò)Wind客戶端導(dǎo)出成交量最大的前20只股票,然后再分別導(dǎo)出每只股票從2008年1月1日到2016年12月31日每天的價(jià)格。最后,通過(guò)關(guān)鍵詞匹配將新聞數(shù)據(jù)和各只股票進(jìn)行簡(jiǎn)單的匹配,刪去重復(fù)項(xiàng)、空值后,得到的數(shù)據(jù)集如表1所示。

    1.3 文本分詞

    中文分詞的方法主要分為三類[18]。第一類是基于詞典的分詞方法,該方法是依據(jù)現(xiàn)有詞典進(jìn)行正向或逆向的匹配,其特點(diǎn)是分詞速度快,同時(shí)能保持較高的準(zhǔn)確率,但對(duì)詞典中沒(méi)有的新詞識(shí)別能力差;第二類是基于統(tǒng)計(jì)的分詞方法,該方法是通過(guò)統(tǒng)計(jì)字與字相鄰一起出現(xiàn)的頻次,兩個(gè)字相鄰出現(xiàn)的次數(shù)多則可能組成一個(gè)詞語(yǔ);第三類是基于理解的分詞方法,該方法是用計(jì)算機(jī)模擬人腦的功能,這種方法需要的信息較多,實(shí)現(xiàn)起來(lái)相對(duì)復(fù)雜。

    表1 數(shù)據(jù)抓取結(jié)果

    常見(jiàn)的分詞工具有IKAnalyzer、結(jié)巴分詞、最大熵分詞、ICTCLAS等。本次采用中科院張華平博士團(tuán)隊(duì)研發(fā)的ICTCLAS2016工具(http:∥ictclas.nlpir.org/),對(duì)新聞文本的標(biāo)題和內(nèi)容進(jìn)行中文分詞。ICTCLAS2016工具包括中文分詞、用戶自定義詞典、詞性標(biāo)注、命名實(shí)體識(shí)別等功能,并且提供Java、C++、C#等多種版本,在分詞方面具有出色的表現(xiàn)。

    1.4 去停用詞

    為了提高處理效率和節(jié)省存儲(chǔ)空間,在文本處理之前通常會(huì)對(duì)一些無(wú)信息量的詞進(jìn)行過(guò)濾,這些詞就是停用詞。停用詞通常有以下兩個(gè)特點(diǎn):一是停用詞通常為功能詞,不具有實(shí)際含義,如“是”、“在”;二是停用詞通常使用十分廣泛,如“我”、“他們”。在本階段去除停用詞,能大大加快之后數(shù)據(jù)處理效率。

    目前使用較為廣泛的停用詞表有:哈工大停用詞詞庫(kù)、百度停用詞表、四川大學(xué)機(jī)器學(xué)習(xí)智能實(shí)驗(yàn)室停用詞庫(kù)等。通過(guò)比較分析,最后選用了哈工大的停用詞詞庫(kù)。通過(guò)去除停用詞,所有新聞總詞數(shù)減少了15%左右。

    2 股價(jià)預(yù)測(cè)模型的實(shí)現(xiàn)

    2.1 新聞情感分析

    2.1.1 構(gòu)造情感詞典

    情感分析的方法主要可分為兩種[19],一是基于情感詞典的分析方法,其主要有人工構(gòu)造情感詞典或直接引用權(quán)威的情感詞典兩種方式,得出文中每個(gè)詞的情感傾向(積極、消極、不相關(guān))。二是基于機(jī)器學(xué)習(xí)的分析方法,即運(yùn)用機(jī)器學(xué)習(xí)的方法進(jìn)行情感分析。

    目前,學(xué)術(shù)研究中使用較為廣泛的中文情感詞典有以下三種:中國(guó)知網(wǎng)HowNet中包括正面情感詞語(yǔ)、正面評(píng)價(jià)詞語(yǔ)、負(fù)面情感詞語(yǔ)、負(fù)面評(píng)價(jià)詞語(yǔ)4個(gè)詞語(yǔ)表,詞語(yǔ)較為全面,但其僅是把情感詞語(yǔ)分入相應(yīng)的詞表,未對(duì)詞語(yǔ)的情感強(qiáng)度進(jìn)行描述。臺(tái)灣大學(xué)的NTUSD情感詞典由2 810個(gè)正向情感詞和8 276個(gè)負(fù)向情感詞構(gòu)成,但其也未對(duì)詞語(yǔ)的情感強(qiáng)度進(jìn)行描述。以上兩個(gè)情感詞典都僅是把各情感詞進(jìn)行正負(fù)向分類,不能很好地區(qū)分同類情感詞之間的程度差異。大連理工大學(xué)信息檢索研究室的情感詞匯本體庫(kù)(以下簡(jiǎn)稱DUT情感詞典)包含正向、負(fù)向、中性三類詞語(yǔ)共27 466個(gè),并且對(duì)每個(gè)詞的詞性、情感極性和強(qiáng)度都進(jìn)行了詳細(xì)地描述,它把情感強(qiáng)度分為0-9十個(gè)程度,適合用于新聞情感值的計(jì)算。

    在使用DUT情感詞典進(jìn)行情感值計(jì)算的過(guò)程中,筆者發(fā)現(xiàn),雖然該詞典情感詞數(shù)量較多,卻不適合用于股票新聞。以“中國(guó)銀行”相關(guān)的70 028條新聞數(shù)據(jù)為例,經(jīng)統(tǒng)計(jì),經(jīng)過(guò)分詞、去停用詞后,新聞平均每篇760詞,使用大連理工大學(xué)情感詞典進(jìn)行匹配,平均每篇新聞匹配到的正向和負(fù)向情感詞的次數(shù)之和不足20次。另外,DUT情感詞典缺少很多股票市場(chǎng)常見(jiàn)情感詞,如“暴跌”、“下降”、“上漲”、“萎縮”等。

    因此,本次研究考慮通過(guò)人工打分的方式構(gòu)造一個(gè)專門(mén)針對(duì)股票市場(chǎng)的情感詞典。首先,對(duì)所有新聞文本進(jìn)行詞頻統(tǒng)計(jì),按詞語(yǔ)出現(xiàn)的總次數(shù)從高到低進(jìn)行排序,選出出現(xiàn)次數(shù)最多的前3 000個(gè)詞(出現(xiàn)的總次數(shù)占文本總詞數(shù)的比重超過(guò)90%)進(jìn)行情感值打分。分值區(qū)間為[-5,+5],分值大于0說(shuō)明該詞語(yǔ)為積極正向的情感詞,且分值越高,正向情感強(qiáng)度越大,反之分值小于0則說(shuō)明該詞語(yǔ)為消極負(fù)向的情感詞,分值越低,負(fù)向情感強(qiáng)度越大,分值為0表示該詞語(yǔ)為中性情感詞。人工打分邀請(qǐng)了3位該領(lǐng)域的專家(證券從業(yè)人員、股民)分別進(jìn)行,最后計(jì)算平均值即為該詞最終的情感得分。

    2.1.2 構(gòu)造語(yǔ)義規(guī)則

    相同的情感詞在不同的語(yǔ)句環(huán)境中所表達(dá)出的情感正負(fù)、強(qiáng)度可能完全不同,例如“股票價(jià)格上漲”、“股票價(jià)格稍稍上漲”兩句中,由于副詞不同,兩個(gè)句子中“上漲”一詞所表達(dá)的情感強(qiáng)度發(fā)生變化。又如“股票價(jià)格如果上漲”、“股票價(jià)格上漲”,前者由于表假設(shè)語(yǔ)氣的詞“如果”的出現(xiàn),使得股票價(jià)格是否上漲變?yōu)椴淮_定。又如“股票價(jià)格不會(huì)上漲”、“股票價(jià)格上漲”,前者由于否定詞“不會(huì)”的出現(xiàn),表達(dá)的情感完全不同。

    因此,本次研究希望通過(guò)構(gòu)造相關(guān)的語(yǔ)義規(guī)則來(lái)更深層次地挖掘情感詞在各句子環(huán)境中的真實(shí)情感。楊希[20]在對(duì)微博文本進(jìn)行情感分析的研究中,總結(jié)出6種常見(jiàn)的語(yǔ)義規(guī)則,結(jié)合實(shí)際情況,對(duì)這6種語(yǔ)義規(guī)則進(jìn)行擴(kuò)展,得到如下規(guī)則:

    (1)只有情感詞在句子中起情感表達(dá)作用。如“股市狀況良好”,只有“良好”表達(dá)出積極正向的情感,“股市”、“狀況”為中性情感。

    (2)程度副詞加情感詞。程度副詞對(duì)情感的表達(dá)有加深或減弱兩種作用,如“今天很開(kāi)心”,“開(kāi)心”表達(dá)出積極正向的情感,“很”作為程度副詞,使積極的情感加深。又如“經(jīng)濟(jì)稍稍好轉(zhuǎn)”,“稍稍”作為程度副詞,反而使“好轉(zhuǎn)”表達(dá)出的正向情感減弱。

    (3)否定詞加情感詞。如“沒(méi)有好轉(zhuǎn)”,“沒(méi)有”是否定詞,在句子中對(duì)情感詞“好轉(zhuǎn)”所表達(dá)的正向情感起了相反作用,最后句子的情感變?yōu)樨?fù)向情感。

    (4)否定詞加程度副詞加情感詞。如“沒(méi)有一點(diǎn)改善”, “改善”表達(dá)積極正向的情感,“一點(diǎn)”對(duì)情感詞的積極強(qiáng)度起減弱作用,“沒(méi)有”對(duì)“一點(diǎn)改善”的組合起相反作用。

    (5)程度副詞加否定詞加情感詞。如“很不樂(lè)觀”,“樂(lè)觀”表達(dá)積極正向的情感,“不”對(duì)情感詞起相反作用,“很”對(duì)“不樂(lè)觀”的組合起增強(qiáng)作用。

    (6)多個(gè)否定詞加情感詞。如“并非不樂(lè)觀”, “樂(lè)觀”表達(dá)積極正向的情感,“不”對(duì)情感詞起相反的作用,“并非”對(duì)“不樂(lè)觀”的組合起再次相反的作用,最后該組合表達(dá)的情感仍為正向情感。

    (7)假設(shè)疑問(wèn)詞加情感詞。如“一旦上漲”,“上漲”一詞表達(dá)出正向情感,“一旦”一詞表示假設(shè)推斷,表達(dá)出不確定性,對(duì)情感詞進(jìn)行修正后,不能明確得知是否會(huì)上漲,因此,表達(dá)的情感為中性。

    (8)假設(shè)疑問(wèn)詞加否定詞加情感詞。如“萬(wàn)一不樂(lè)觀”,“不樂(lè)觀”組合表達(dá)出消極負(fù)面的情感,“萬(wàn)一”表達(dá)假設(shè)、不確定,因此單單根據(jù)這一句話,不能推斷最后情感為積極或是消極。

    (9)假設(shè)疑問(wèn)詞加程度副詞加情感詞。如“如果很差”,同理,“很差”組合經(jīng)過(guò)“如果”修正后,表達(dá)的情感也不能確定。

    以上僅列出了情感詞和程度副詞、否定詞、疑問(wèn)詞間的常見(jiàn)組合,還有部分復(fù)雜的組合未全部列出。不難發(fā)現(xiàn),程度副詞對(duì)情感詞表達(dá)的情感起加強(qiáng)或減弱的作用,否定詞起相反作用,假設(shè)疑問(wèn)詞則是使表達(dá)的情感變?yōu)椴淮_定。

    根據(jù)知網(wǎng)HowNet中的程度級(jí)別詞語(yǔ)(中文),結(jié)合新聞數(shù)據(jù)的詞頻統(tǒng)計(jì)情況,人工進(jìn)行一定的簡(jiǎn)化,留下日常使用較多的副詞,按HowNet里的劃分分為6個(gè)級(jí)別,并給其賦予了不同的權(quán)重,具體如表2所示。同時(shí),結(jié)合新聞文本的詞頻統(tǒng)計(jì)情況,選取常用的20個(gè)否定詞,構(gòu)建否定詞表,如表3所示。

    表2 程度副詞詞表

    表3 否定詞詞表

    最后,結(jié)合詞頻統(tǒng)計(jì)情況,選取常用的22個(gè)表假設(shè)疑問(wèn)的詞,構(gòu)建假設(shè)疑問(wèn)詞表,如表4所示。

    至此,已經(jīng)構(gòu)造好了情感詞典、程度副詞表、否定詞表、假設(shè)疑問(wèn)詞表和語(yǔ)義規(guī)則,接下來(lái)即可進(jìn)行新聞文本的情感值計(jì)算。

    表4 假設(shè)疑問(wèn)詞詞表

    2.1.3 計(jì)算新聞情感值

    新聞文本的情感值計(jì)算分為兩步:首先計(jì)算每個(gè)句子的情感值,然后進(jìn)行加和即可得到整篇文章的情感值。

    假設(shè)e代表句子的情感值,p代表情感詞的情感強(qiáng)度,w代表程度副詞的權(quán)重,根據(jù)上節(jié)中定義的語(yǔ)義規(guī)則,可以得到情感值計(jì)算規(guī)則,如表5所示。

    表5 情感值計(jì)算規(guī)則

    考慮到程度副詞在語(yǔ)句中可能位于情感詞前,也可能位于情感詞后(如“價(jià)格沒(méi)怎么上漲”和“價(jià)格上漲程度不大”),所以在具體實(shí)現(xiàn)時(shí),先定位到正向情感詞和負(fù)向情感詞所在的位置,然后從情感詞所在位置開(kāi)始向前和向后掃描,直到出現(xiàn)“,”“?!薄?”“?”“;”等符號(hào)為止,如果出現(xiàn)程度副詞、否定詞或假設(shè)疑問(wèn)詞,則按上面的計(jì)算規(guī)則對(duì)情感詞的情感值進(jìn)行修正,即可得到該句子的情感值。

    對(duì)于一條新聞文本來(lái)說(shuō),先得到包含正負(fù)向情感詞的子句的情感值Ei(其中E0表示標(biāo)題的情感值),然后根據(jù)下述公式,即可計(jì)算出整條新聞的情感值。

    (1)

    最后,再把同一天的所有新聞的情感值進(jìn)行加總,即可得到每天新聞數(shù)據(jù)的總情感得分,另外,對(duì)于當(dāng)天無(wú)新聞的,情感值置為零。

    2.2 模型搭建

    2.2.1 實(shí)驗(yàn)平臺(tái)的選取

    為了實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)回歸兩種模型,本次實(shí)驗(yàn)采用MatlabR2014a為實(shí)驗(yàn)平臺(tái),操作系統(tǒng)環(huán)境為WIN7。

    在建立BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)模型時(shí),直接運(yùn)用Matlab自帶的工具包,而在建立SVR股價(jià)預(yù)測(cè)模型時(shí),運(yùn)用臺(tái)灣大學(xué)的林智仁教授編寫(xiě)的LibSVM工具包,該工具包使用Matlab和C++混合編程,比Matlab自帶的SVM工具包運(yùn)行速度更快,功能更齊全,模型中參數(shù)的修改也更加容易。

    2.2.2 數(shù)據(jù)歸一化

    經(jīng)過(guò)數(shù)據(jù)爬取、預(yù)處理、情感分析,最終得到的用于實(shí)驗(yàn)的數(shù)據(jù)共包括兩部分:一部分是股價(jià)歷史數(shù)據(jù){P},通過(guò)股票價(jià)格序列可以得到該股票T-1日的價(jià)格序列、T-2日的價(jià)格序列、T-3日的價(jià)格序列等,另一部分?jǐn)?shù)據(jù)是通過(guò)對(duì)新聞文本進(jìn)行情感挖掘得到的情感值序列{E}。由此,可以得到模型的兩種輸入向量,其中一種為混合數(shù)據(jù),包括滯后期為n的股票價(jià)格數(shù)據(jù)和T-1日的新聞文本的情感值,可表示為X={pt-1,pt-2,…,pt-n,et-1},另一種輸入向量?jī)H包含股票數(shù)據(jù),可表示為X={pt-1,pt-2,…,pt-n}。關(guān)于兩種輸入向量的優(yōu)劣和滯后期n的選擇將在2.2.3節(jié)中進(jìn)行說(shuō)明。

    在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練之前,通常需要先將數(shù)據(jù)進(jìn)行歸一化處理[21],其主要原因如下:(1)部分?jǐn)?shù)據(jù)的范圍可能特別大,可能會(huì)導(dǎo)致網(wǎng)絡(luò)收斂速度減慢、學(xué)習(xí)時(shí)間過(guò)長(zhǎng);(2)數(shù)據(jù)范圍和量級(jí)較大的數(shù)據(jù)項(xiàng)在模型中的作用可能會(huì)偏大,而數(shù)據(jù)范圍較小的數(shù)據(jù)作用則可能會(huì)偏小;(3)在輸出層中,激活函數(shù)的值域是有限制的,所以需要把訓(xùn)練的目標(biāo)數(shù)據(jù)都映射到激活函數(shù)的值域中去。本次實(shí)驗(yàn)采用Log-Sigmoid函數(shù),因此將數(shù)據(jù)歸一化到[0,1]區(qū)間里去。

    在建立支持向量機(jī)回歸模型時(shí),歸一化同樣有助于加快訓(xùn)練速率、降低因數(shù)量級(jí)的差異所造成的影響[22],因此同樣在實(shí)驗(yàn)前對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

    2.2.3 輸入向量的選擇

    股票市場(chǎng)瞬息萬(wàn)變,新聞文檔的時(shí)間滯后效應(yīng)是很短的,我們需要關(guān)注的是股票數(shù)據(jù)(即股票價(jià)格)的滯后天數(shù)。設(shè)置的時(shí)間滯后期越大,所包含的信息也就越多,模型可能表現(xiàn)更好,但是,過(guò)大的滯后期也會(huì)增加模型的復(fù)雜程度,影響計(jì)算速率。因此,尋找最優(yōu)滯后期對(duì)模型至關(guān)重要。

    均方誤差(Mean Squared Error,簡(jiǎn)稱MSE)是數(shù)據(jù)預(yù)測(cè)中常用的評(píng)價(jià)指標(biāo),MSE的值越小,誤差的離散程度越小,預(yù)測(cè)效果也就越好。MSE計(jì)算公式如下:

    (2)

    分別將混合數(shù)據(jù)和股票數(shù)據(jù)作為輸入向量,比較兩種輸入的優(yōu)劣。在每次實(shí)驗(yàn)中,將數(shù)據(jù)分成訓(xùn)練集和測(cè)試集兩部分,比例為3∶1,將滯后天數(shù)從1逐漸增到20,以MSE為評(píng)價(jià)指標(biāo),每次試驗(yàn)均重復(fù)進(jìn)行10次,取其平均值為最終結(jié)果。

    Fig.1 MSE diagram under different time lag(BPNN)圖1 不同滯后期下的MSE圖(BPNN)

    本次對(duì)比實(shí)驗(yàn)統(tǒng)一采用三層網(wǎng)絡(luò)模型,隱藏層節(jié)點(diǎn)個(gè)數(shù)統(tǒng)一設(shè)置為6。通過(guò)圖1可以看出,當(dāng)輸入數(shù)據(jù)為混合數(shù)據(jù)時(shí),隨著滯后天數(shù)的增大,MSE先呈下降趨勢(shì),當(dāng)滯后天數(shù)增長(zhǎng)到3日后,MSE停止下降,隨后在0.004 1到0.006 4間上下波動(dòng)。當(dāng)輸入數(shù)據(jù)為股票數(shù)據(jù)時(shí),MSE也先隨著滯后天數(shù)的增大呈現(xiàn)下降趨勢(shì),當(dāng)滯后天數(shù)增加到6時(shí)停止下降,隨后在0.003 3到0.005 5間上下波動(dòng)??梢钥闯?BP神經(jīng)網(wǎng)絡(luò)模型的MSE不穩(wěn)定,波動(dòng)較大,即使在完全相同條件下,得到的MSE也差別較大,迭代次數(shù)也不盡相同。在BP神經(jīng)網(wǎng)絡(luò)模型中,混合數(shù)據(jù)的表現(xiàn)略差于股票數(shù)據(jù),說(shuō)明新聞數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)模型中沒(méi)能為預(yù)測(cè)帶來(lái)有效的信息輸入,所以在建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型時(shí),均采取股票數(shù)據(jù)作為輸入。從股票數(shù)據(jù)的曲線可以看出,當(dāng)滯后天數(shù)增加到6天后,繼續(xù)增加滯后天數(shù)未能使模型效果得到較為明顯的改善,較高的維度不僅會(huì)降低BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)效率,而且會(huì)影響訓(xùn)練后的預(yù)測(cè)效果。因此,在接下來(lái)的實(shí)驗(yàn)中,選擇6天作為滯后天數(shù)。

    Fig.2 MSE diagram under different time lag(SVR)圖2 不同滯后期下的MSE圖(SVR)

    在SVR模型的對(duì)比實(shí)驗(yàn)中,參數(shù)均采用默認(rèn)參數(shù)。通過(guò)圖2可以看出,從滯后天數(shù)增加到4天開(kāi)始,混合數(shù)據(jù)和股票數(shù)據(jù)的MSE均較平穩(wěn),且混合數(shù)據(jù)的MSE均低于股票數(shù)據(jù)的MSE,所以在使用SVR模型建立股價(jià)預(yù)測(cè)模型時(shí),采用混合數(shù)據(jù)作為模型的輸入,由于支持向量機(jī)算法能避免“維數(shù)災(zāi)難”,為包含更多的信息,SVR模型中滯后天數(shù)選為20天。

    2.2.4 模型參數(shù)尋優(yōu)

    在BP神經(jīng)網(wǎng)絡(luò)模型中,選擇合適數(shù)量的隱含層節(jié)點(diǎn)非常重要,對(duì)網(wǎng)絡(luò)性能影響非常大。隱含層節(jié)點(diǎn)數(shù)目設(shè)定得過(guò)少,容易使訓(xùn)練過(guò)程不收斂,節(jié)點(diǎn)數(shù)目設(shè)定過(guò)多,又容易訓(xùn)練過(guò)度,使學(xué)習(xí)時(shí)間過(guò)長(zhǎng)[23]。隱含層節(jié)點(diǎn)數(shù)目的設(shè)定是一個(gè)復(fù)雜的問(wèn)題,尚沒(méi)有權(quán)威的計(jì)算方法,如今多采用多次訓(xùn)練取最優(yōu)的方法,開(kāi)始時(shí)先選擇一個(gè)較小的估計(jì)數(shù),保持其他條件不變,逐漸地增加節(jié)點(diǎn)數(shù)目,反復(fù)地進(jìn)行訓(xùn)練和測(cè)試,最后誤差最小時(shí)所對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)目即為最佳節(jié)點(diǎn)數(shù)?,F(xiàn)有的計(jì)算公式計(jì)算出來(lái)的結(jié)果都只是經(jīng)驗(yàn)上的估計(jì)量,并不一定是最佳的節(jié)點(diǎn)數(shù),常用的計(jì)算公式主要有以下三種:

    (3)

    m=log2n

    (4)

    (5)

    其中,m代表隱含層節(jié)點(diǎn)數(shù)目,n是輸入層的節(jié)點(diǎn)數(shù)目,l是輸出層的節(jié)點(diǎn)數(shù)目,α是1到10之間的常數(shù)。本文首先選用公式(5)來(lái)確定一個(gè)大致范圍,保持其他條件不變, 僅改變隱含層節(jié)點(diǎn)數(shù)反復(fù)進(jìn)行實(shí)驗(yàn),通過(guò)比較MSE的大小來(lái)確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)目。

    由于n為6(BPNN模型輸入向量的選取已在2.2.3節(jié)中說(shuō)明),l為1,所以隱含層節(jié)點(diǎn)數(shù)目的范圍可初步確定為[3,13]。實(shí)驗(yàn)采用三層網(wǎng)絡(luò)結(jié)構(gòu),訓(xùn)練目標(biāo)誤差設(shè)為e-5,學(xué)習(xí)速率設(shè)為0.01,每次實(shí)驗(yàn)10次取平均值,最終結(jié)果如表6所示。在相同訓(xùn)練條件下,隱含層節(jié)點(diǎn)數(shù)目設(shè)為4時(shí),MSE最小。

    在應(yīng)用SVR方法時(shí),需要設(shè)置很多參數(shù),參數(shù)設(shè)置是否合理會(huì)對(duì)模型的預(yù)測(cè)效果產(chǎn)生巨大的影響。本次實(shí)驗(yàn)選取了兩個(gè)最普遍接受的參數(shù)c和g(gamma)進(jìn)行參數(shù)尋優(yōu),諸多研究表明,這兩個(gè)參數(shù)的設(shè)定對(duì)最終的訓(xùn)練效果有最顯著的影響。c是模型的懲罰因子,表示模型對(duì)誤差的寬容程度,c的值越高,說(shuō)明模型對(duì)誤差的容忍程度越低。gamma是核函數(shù)的一個(gè)參數(shù),它隱性地決定了原數(shù)據(jù)映射到高維特征空間后的分布情況。

    表6 不同隱含層節(jié)點(diǎn)數(shù)下的MSE值(BPNN)

    關(guān)于SVR的參數(shù)尋優(yōu),國(guó)際上并沒(méi)有公認(rèn)的最好方法,常見(jiàn)的尋優(yōu)方法有交叉驗(yàn)證-網(wǎng)格搜索方法(Grid Search)、遺傳算法(GA)、啟發(fā)式算法(PSO)。本文使用Grid Search方法尋找最優(yōu)的c和g,該方法雖然簡(jiǎn)單,但卻有以下兩個(gè)優(yōu)點(diǎn):可以得到全局最優(yōu);c和g相互獨(dú)立,便于并行化進(jìn)行。通過(guò)Grid Search方法,得到每只股票最優(yōu)的c和g,如表7所示,在后續(xù)的實(shí)驗(yàn)中,參數(shù)均采用該只股票最優(yōu)的c和g進(jìn)行實(shí)驗(yàn)。

    表7 20只股票的最優(yōu)參數(shù)(SVR)

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 情感詞典效果對(duì)比分析

    為對(duì)比大連理工大學(xué)(DUT)情感詞典和人工情感詞典在股票市場(chǎng)價(jià)格預(yù)測(cè)領(lǐng)域的適用性,做了以下對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)以“中國(guó)銀行601988.SH”為例,時(shí)間從2008年1月1日到2016年12月31日,除去周末和法定節(jié)假日,共計(jì)2 190天。

    分別運(yùn)用大連理工大學(xué)情感詞典和人工情感詞典對(duì)新聞文本進(jìn)行打分,得到每篇新聞的情感值,加總同一天的所有新聞得到當(dāng)天的總情感值,然后與股票價(jià)格的漲跌方向進(jìn)行對(duì)比。

    表8 大連理工大學(xué)情感詞典測(cè)試效果

    表9 人工情感詞典測(cè)試效果

    如表8和表9所示,運(yùn)用大連理工大學(xué)情感詞典進(jìn)行打分得到的情感值幾乎都為正,當(dāng)股價(jià)下跌和股票不變時(shí),不能很好地進(jìn)行預(yù)測(cè)。而針對(duì)股票市場(chǎng)進(jìn)行人工打分得到的情感詞典,在股票上漲、股票下跌時(shí),分值與漲跌方向保持了較好的一致性。其中,股票下跌時(shí)預(yù)測(cè)正確率相對(duì)較低,其可能原因是在人工進(jìn)行打分時(shí),人們更容易偏樂(lè)觀。另外,在股票不變時(shí),無(wú)論是運(yùn)用大連理工大學(xué)情感詞典,還是運(yùn)用人工情感詞典,新聞文本的情感得分幾乎都不為零,這是由于在每一篇新聞文本中,或多或少都會(huì)包含正向或負(fù)向的情感詞,所以最終新聞文本的得分很難為零。經(jīng)過(guò)初步對(duì)比每天的股票漲跌和新聞情感值的正負(fù),人工情感詞典表現(xiàn)明顯優(yōu)于大連理工大學(xué)情感詞典。

    選取2008年1月1日至2008年6月31日的股票價(jià)格漲跌數(shù)據(jù)和情感值數(shù)據(jù),測(cè)試結(jié)果見(jiàn)圖3、圖4。

    Fig.3 Performance diagram on DUT sentiment dictionary圖3 大連理工大學(xué)情感詞典測(cè)試效果圖

    Fig.4 Performance diagram on artificial sentiment dictionary圖4 人工情感詞典測(cè)試效果圖

    由圖可得,人工情感詞典打分結(jié)果與股票價(jià)格保持了較好的一致性,主要體現(xiàn)在:當(dāng)情感值為正時(shí),股票價(jià)格多為漲,或是跌幅相對(duì)之前減小;當(dāng)情感值為負(fù)時(shí),股票價(jià)格多為跌,或是漲幅相對(duì)之前減小。而大連理工大學(xué)情感詞典打分結(jié)果效果明顯不如人工情感詞典。

    綜上,可以得出以下兩個(gè)結(jié)論:

    (1)無(wú)論是DUT情感詞典,還是人工情感詞典,得分都偏樂(lè)觀,在價(jià)格下跌時(shí)的預(yù)測(cè)效果較差。

    (2)相比于人工情感詞典,DUT情感詞典存在以下劣勢(shì):一、運(yùn)用DUT情感詞典得到的情感值幾乎都為正,說(shuō)明該詞典在股票市場(chǎng)的適用性較差;二、運(yùn)用DUT情感詞典得到的情感值與股票價(jià)格漲跌方向的一致程度較差。

    3.2 語(yǔ)義規(guī)則效果分析

    以股票“中國(guó)銀行601988.SH”為例,應(yīng)用人工詞典加語(yǔ)義規(guī)則進(jìn)行情感值計(jì)算,同時(shí),統(tǒng)計(jì)“正負(fù)情感詞”出現(xiàn)的總次數(shù)和“正負(fù)情感詞+語(yǔ)義規(guī)則”組合出現(xiàn)的總次數(shù)。

    經(jīng)統(tǒng)計(jì),在七萬(wàn)條新聞文本數(shù)據(jù)中,人工詞典中的正向和負(fù)向情感詞出現(xiàn)的總次數(shù)為3 360 319次,而這些情感詞和程度副詞、否定詞、假設(shè)疑問(wèn)詞等一同出現(xiàn)的次數(shù)為837 072次,其占比情況如圖5所示。

    Fig.5 Pie chart of ‘positive and negative sentiment words+semantic rules’圖5 “正負(fù)向情感詞+語(yǔ)義規(guī)則”組合占比圖

    在所有匹配到正向和負(fù)向情感詞的情況中,情感詞和程度副詞、否定詞、假設(shè)疑問(wèn)詞一同出現(xiàn)的總次數(shù)占了情感詞出現(xiàn)總次數(shù)的五分之一,說(shuō)明語(yǔ)義規(guī)則所列出的9種組合在句子中是較為常見(jiàn)的,也說(shuō)明是否應(yīng)用語(yǔ)義規(guī)則將會(huì)對(duì)最終的情感值產(chǎn)生顯著的影響。

    接著,僅運(yùn)用人工詞典對(duì)同樣的文本數(shù)據(jù)再次進(jìn)行情感值計(jì)算。將兩次計(jì)算分別得到的情感值與股票價(jià)格漲跌數(shù)據(jù)進(jìn)行對(duì)比,結(jié)果如表10、表11所示。

    表10 僅使用人工情感詞典的測(cè)試效果

    表11 使用人工情感詞典+語(yǔ)義規(guī)則的測(cè)試效果

    Fig.6 Performance comparison with and without the semantic rules deployed圖6 加入語(yǔ)義規(guī)則前后的效果對(duì)比

    由表10、表11和圖6可以看出,無(wú)論是在股票價(jià)格上漲,還是股票價(jià)格下跌時(shí),加入語(yǔ)義規(guī)則進(jìn)行修正后,情感值的正負(fù)向與當(dāng)天股價(jià)的上漲下降方向的一致程度均有所上漲。

    綜上可知:

    (1)本文提出的9條語(yǔ)義規(guī)則在新聞文本中出現(xiàn)頻繁,“正負(fù)向情感詞+語(yǔ)義規(guī)則”的組合出現(xiàn)的總次數(shù)占正負(fù)向情感詞出現(xiàn)總次數(shù)的五分之一,語(yǔ)義規(guī)則的使用將對(duì)最終情感得分有顯著影響。

    (2)無(wú)論是在股價(jià)上漲還是股價(jià)下跌時(shí),經(jīng)過(guò)語(yǔ)義規(guī)則修正后的情感得分,比單獨(dú)使用人工詞典得到的情感得分表現(xiàn)更好,情感值正負(fù)方向與股價(jià)漲跌方向一致程度更高。

    3.3 模型預(yù)測(cè)效果分析

    本次分析選用2008年1月1日到2016年12月31日共兩千多個(gè)交易日的數(shù)據(jù)和與之日期相匹配的新聞文本情感值作為數(shù)據(jù)源,分析和比較BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)回歸模型。用于訓(xùn)練和測(cè)試的數(shù)據(jù)比例為3∶1,部分股票在某些時(shí)間段內(nèi)沒(méi)有交易記錄,所以在訓(xùn)練集和測(cè)試集的量上會(huì)有所減少。

    用20只股票分別進(jìn)行實(shí)驗(yàn),統(tǒng)計(jì)每次實(shí)驗(yàn)的均方誤差MSE、走勢(shì)方向正確率如表12所示。

    表12 BPNN模型與SVR模型效果對(duì)比

    除 “民生銀行”、“中信證券”、“中國(guó)中鐵”、“興業(yè)銀行”、“海南航空”5只股票外,其他股票使用SVR模型得到的MSE均小于使用BP神經(jīng)網(wǎng)絡(luò)模型得到的MSE。

    從走勢(shì)方向正確率角度看,有6只股票使用BP神經(jīng)網(wǎng)絡(luò)模型得到的正確率更高,另外14只股票使用SVR模型時(shí)效果正確率更高,通過(guò)計(jì)算平均值,使用BP神經(jīng)網(wǎng)絡(luò)模型時(shí),20只股票的平均走勢(shì)方向正確率為50.3%,而使用SVR時(shí),平均走勢(shì)方向正確率為53.3%。

    從以上兩方面對(duì)比可得,在本次實(shí)驗(yàn)中,基于SVR的股價(jià)預(yù)測(cè)模型的效果優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測(cè)模型。

    以“中國(guó)銀行”為例,對(duì)2015年和2016年的股價(jià)進(jìn)行預(yù)測(cè),與實(shí)際價(jià)格進(jìn)行對(duì)比,結(jié)果如圖7和圖8所示,從圖形直接可以看出,對(duì)于“中國(guó)銀行”這只股票,SVR的預(yù)測(cè)效果遠(yuǎn)好于BPNN模型。

    Fig.7 Prediction diagram of the price of stock ‘601988.SH’ in 2015圖7 2015年“601988.SH”股價(jià)預(yù)測(cè)圖

    Fig.8 Prediction diagram of the price of stock ‘601988.SH’ in 2016圖8 2016年“601988.SH”股價(jià)預(yù)測(cè)圖

    4 結(jié)論

    本文以交易量較大的20只股票為研究對(duì)象,抓取相關(guān)的新聞數(shù)據(jù),通過(guò)建立有針對(duì)性的情感詞典和相應(yīng)的語(yǔ)義規(guī)則對(duì)新聞文本進(jìn)行打分,對(duì)傳統(tǒng)的情感分析方法做出了改進(jìn),再加入股票價(jià)格的歷史數(shù)據(jù),分別采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)回歸兩種方法建立股價(jià)預(yù)測(cè)模型。本文通過(guò)邀請(qǐng)領(lǐng)域內(nèi)專家對(duì)高頻詞匯進(jìn)行人工情感打分,得到了一個(gè)更具針對(duì)性、粒度更細(xì)[-5,+5]的情感詞典,與大連理工大學(xué)情感詞典的打分效果進(jìn)行對(duì)比,應(yīng)用人工詞典得到的情感得分的正負(fù)與當(dāng)天股票價(jià)格的漲跌方向一致程度更高;同時(shí),通過(guò)給不同語(yǔ)義規(guī)則下的情感詞賦予不同的權(quán)重,對(duì)情感值進(jìn)行修正,在同一樣本上分別使用情感詞典加語(yǔ)義規(guī)則的打分方法和僅使用情感詞典的打分方法,發(fā)現(xiàn)加入語(yǔ)義規(guī)則后,情感得分正負(fù)方向與股價(jià)漲跌方向的一致程度顯著提升。在BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)模型中,新聞情感數(shù)據(jù)和股票歷史價(jià)格數(shù)據(jù)組成的混合數(shù)據(jù)表現(xiàn)略差于僅使用股票歷史價(jià)格數(shù)據(jù)的表現(xiàn),當(dāng)股價(jià)的滯后天數(shù)設(shè)定為6,BPNN隱含層節(jié)點(diǎn)數(shù)目設(shè)定為4時(shí),模型預(yù)測(cè)效果最佳。而在支持向量機(jī)模型回歸中,混合數(shù)據(jù)表現(xiàn)更佳,最佳滯后天數(shù)為20,通過(guò)Grid Search進(jìn)行參數(shù)尋優(yōu),找出了每只股票的最優(yōu)參數(shù)c和g。最終,將兩種方法的預(yù)測(cè)效果進(jìn)行對(duì)比,發(fā)現(xiàn)SVR模型的均方誤差更小,且股價(jià)走勢(shì)方向正確率略高于BPNN模型。

    [1] 胡照躍.人工神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用[D].太原:中北大學(xué),2016.

    [2] 殷光偉.中國(guó)股票市場(chǎng)預(yù)測(cè)方法的研究[D].天津:天津大學(xué),2003.

    [3] 尹璐.基于GA-BP神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)理論及應(yīng)用[D].北京:華北電力大學(xué),2010.

    [4] 鄭睿穎,伍應(yīng)環(huán).神經(jīng)網(wǎng)絡(luò)在股票價(jià)格預(yù)測(cè)中的研究[J].計(jì)算機(jī)仿真,2011,28(10):393-396.DOI:10.3969/j.issn.1006-9348.2011.10.095.

    [5] Bollerslev T.Generalized Autoregressive Conditional Heteroskedasticity[J].JournalofEconometrics,1986,31:307-327.DOI:10.1016/0304-4076(86)90063-1.

    [6] Rao T S,Gabr M M.An Introduction to Bispectral Analysis and Bilinear Time Series Models[J].LectureNotesinStatistics,1984,150(150).DOI:10.1007/978-1-4684-6318-7.

    [7] White H.Economic Prediction Using Neural Networks:The Case of IBM Daily Stock Returns[J].IEEEInternationalConferenceon,1988,2(6):451-458.DOI:10.1109/ICNN.1988.23959.

    [8] Gencay R.Non-linear Prediction of Security Returns with Moving Average Rules[J].JournalofForecasting,1996,15(3):43-46.

    [9] Zhang G P.Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model[J].Neurocomputing,2003,50:159-175.DOI:10.1016/S0925-2312(01)00702-0.

    [10] Ozbayoglu A M.Neural Based Technical Analysis in Stock Market Forecasting[J].IntelligentEngineeringSystemsthroughArtificialNeuralNetworks,2008,18:261-265.DOI:10.1115/1.802655.paper40.

    [11] 張坤,郁湧,李彤.基于小波和神經(jīng)網(wǎng)絡(luò)相結(jié)合的股票價(jià)格模型[J].計(jì)算機(jī)工程與設(shè)計(jì),2009,30(23):5497-5498.

    [12] 秦玉平.基于支持向量機(jī)的文本分類算法研究[D].大連:大連理工大學(xué),2008.

    [13] Kim K J.Financial Time Series Forecasting Using Support Vector Machines[J].Neurocomputing,2003,55(1-2):307-319.DOI:10.1016/S0925-2312(03)00372-2.

    [14] Huang W,Nakamori Y,Wang S Y.Forecasting Stock Market Movement Direction with Support Vector Machine[J].Computers&OperationsResearch,2005,32(10):2513-2522.DOI:10.1016/j.cor.2004.03.016.

    [15] 施劍.基于SVM的IPO首日投資策略分析[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2013,22(10):206-209.DOI:10.3969/j.issn.1003-3254.2013.10.042.

    [16] 張世軍.基于網(wǎng)絡(luò)輿情的SVM股票價(jià)格預(yù)測(cè)研究[D].南京:南京信息工程大學(xué),2011.

    [17] 龍真真,張正文.基于模糊核超球的快速分類算法在股票預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(1):197-201.DOI:10.3969/j.issn.1003-3254.2014.01.040.

    [18] 熊泉浩.中文分詞現(xiàn)狀及未來(lái)發(fā)展[J].科技廣場(chǎng),2009(11):222-225.DOI:10.3969/j.issn.1671-4792.2009.11.067.

    [19] 馬力,宮玉龍.文本情感分析研究綜述[J].電子科技,2014,27(11):180-184.DOI:10.3969/j.issn.1007-7820.2014.11.052.

    [20] 楊希.基于情感詞典與規(guī)則結(jié)合的微博情感分析模型研究[D].合肥:安徽大學(xué),2011.

    [21] 李克文,王秋寶,于明曉.基于改進(jìn)ACO優(yōu)化BPNN的軟件缺陷預(yù)測(cè)模型[J].計(jì)算機(jī)工程與設(shè)計(jì),2017(8):2137-2141.

    [22] 高雷阜,佟盼.融合改進(jìn)遺傳和人工蜂群的SVM參數(shù)優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(18):36-39.DOI:10.3778/j.issn.1002-8331.1411-0111.

    [23] 白淼.基于BP和SOM神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)的研究[D].阜新:遼寧工程技術(shù)大學(xué),2009.

    猜你喜歡
    股票價(jià)格詞典股票
    基于GARCH族模型的重慶啤酒股票價(jià)格波動(dòng)研究
    米沃什詞典
    文苑(2019年24期)2020-01-06 12:06:50
    評(píng)《現(xiàn)代漢語(yǔ)詞典》(第6版)
    詞典例證翻譯標(biāo)準(zhǔn)探索
    本周創(chuàng)出今年以來(lái)新高的股票
    本周創(chuàng)出今年以來(lái)新高的股票
    本周連續(xù)上漲3天以上的股票
    近期連續(xù)漲、跌3天以上的股票
    論股票價(jià)格準(zhǔn)確性的社會(huì)效益
    我國(guó)股票價(jià)格指數(shù)與“克強(qiáng)指數(shù)”的關(guān)系研究
    亚洲精品国产区一区二| 亚洲成人国产一区在线观看| 午夜影院在线不卡| 国产主播在线观看一区二区| 宅男免费午夜| 欧美激情高清一区二区三区| 丝袜人妻中文字幕| 后天国语完整版免费观看| 国产色视频综合| 久久天躁狠狠躁夜夜2o2o| tocl精华| 最新在线观看一区二区三区| 天堂8中文在线网| 天天躁日日躁夜夜躁夜夜| 丝袜脚勾引网站| a级毛片黄视频| 国产精品久久久久久精品古装| 黑人巨大精品欧美一区二区蜜桃| 91麻豆精品激情在线观看国产 | 国产免费av片在线观看野外av| 蜜桃在线观看..| 国产一区二区激情短视频 | 亚洲精品久久午夜乱码| 欧美日韩av久久| 国产高清视频在线播放一区 | 精品久久蜜臀av无| 在线av久久热| 亚洲情色 制服丝袜| 9191精品国产免费久久| 一区二区三区激情视频| 亚洲三区欧美一区| 日韩欧美国产一区二区入口| 久久av网站| 国产有黄有色有爽视频| 黄色片一级片一级黄色片| 夫妻午夜视频| 久久精品国产综合久久久| 欧美精品亚洲一区二区| 飞空精品影院首页| 久久精品国产亚洲av香蕉五月 | 男人爽女人下面视频在线观看| 国产精品久久久久久精品电影小说| 亚洲精品一卡2卡三卡4卡5卡 | 最近中文字幕2019免费版| 色精品久久人妻99蜜桃| 亚洲综合色网址| 啦啦啦在线免费观看视频4| 免费在线观看视频国产中文字幕亚洲 | 国产高清国产精品国产三级| av电影中文网址| 日韩中文字幕欧美一区二区| 亚洲第一av免费看| 91成年电影在线观看| 亚洲精品自拍成人| 制服诱惑二区| 法律面前人人平等表现在哪些方面 | a级毛片黄视频| 欧美日韩国产mv在线观看视频| 王馨瑶露胸无遮挡在线观看| 每晚都被弄得嗷嗷叫到高潮| 另类亚洲欧美激情| 啪啪无遮挡十八禁网站| 可以免费在线观看a视频的电影网站| 精品第一国产精品| 亚洲精品第二区| 午夜免费成人在线视频| 十八禁网站免费在线| 国产成人精品无人区| 波多野结衣一区麻豆| 欧美日韩亚洲国产一区二区在线观看 | 国产精品免费视频内射| 日本欧美视频一区| 久久久欧美国产精品| 精品亚洲成a人片在线观看| 欧美精品亚洲一区二区| 超碰成人久久| 嫩草影视91久久| 日韩欧美一区二区三区在线观看 | 久久久久久久精品精品| 狂野欧美激情性bbbbbb| 岛国在线观看网站| 在线观看免费高清a一片| 久久久久久人人人人人| 美女扒开内裤让男人捅视频| 美女主播在线视频| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲色图 男人天堂 中文字幕| 久久香蕉激情| 国产精品秋霞免费鲁丝片| 久久九九热精品免费| 黄片大片在线免费观看| 男女边摸边吃奶| 免费人妻精品一区二区三区视频| 亚洲av国产av综合av卡| 久久免费观看电影| 欧美精品一区二区大全| bbb黄色大片| 久久ye,这里只有精品| 黄色a级毛片大全视频| 王馨瑶露胸无遮挡在线观看| 蜜桃国产av成人99| 亚洲男人天堂网一区| 免费女性裸体啪啪无遮挡网站| 中文欧美无线码| 热99re8久久精品国产| svipshipincom国产片| 男男h啪啪无遮挡| 97人妻天天添夜夜摸| 午夜免费成人在线视频| 亚洲九九香蕉| 最新的欧美精品一区二区| 亚洲成国产人片在线观看| 看免费av毛片| 黄色a级毛片大全视频| 女警被强在线播放| 纯流量卡能插随身wifi吗| 男人爽女人下面视频在线观看| 多毛熟女@视频| 50天的宝宝边吃奶边哭怎么回事| 国产精品一二三区在线看| 午夜福利视频在线观看免费| 国产主播在线观看一区二区| 亚洲一码二码三码区别大吗| 日韩大片免费观看网站| 大片免费播放器 马上看| 亚洲精品在线美女| 久久精品国产亚洲av香蕉五月 | 啪啪无遮挡十八禁网站| 亚洲成国产人片在线观看| 中文字幕高清在线视频| av线在线观看网站| 老汉色av国产亚洲站长工具| 亚洲人成电影观看| 法律面前人人平等表现在哪些方面 | 飞空精品影院首页| 欧美黑人精品巨大| 美女脱内裤让男人舔精品视频| 成人手机av| 亚洲精品国产色婷婷电影| 久久精品亚洲熟妇少妇任你| 亚洲伊人色综图| 深夜精品福利| 1024视频免费在线观看| 欧美日韩亚洲国产一区二区在线观看 | 动漫黄色视频在线观看| 两个人免费观看高清视频| 国产精品自产拍在线观看55亚洲 | 97在线人人人人妻| 女人久久www免费人成看片| 母亲3免费完整高清在线观看| 欧美成狂野欧美在线观看| 国产人伦9x9x在线观看| 午夜两性在线视频| 欧美日本中文国产一区发布| 国产国语露脸激情在线看| 一级毛片精品| 搡老岳熟女国产| 久久久久久久久久久久大奶| 熟女少妇亚洲综合色aaa.| 美国免费a级毛片| 精品高清国产在线一区| 亚洲三区欧美一区| 国产精品久久久人人做人人爽| 亚洲av电影在线进入| tocl精华| 国产国语露脸激情在线看| 我的亚洲天堂| 亚洲中文字幕日韩| 国产不卡av网站在线观看| 亚洲欧美一区二区三区黑人| 亚洲人成77777在线视频| 亚洲精品久久久久久婷婷小说| 欧美中文综合在线视频| 另类精品久久| 国产一区二区三区在线臀色熟女 | 国产精品一区二区在线不卡| 国产精品99久久99久久久不卡| 欧美日韩亚洲高清精品| 亚洲,欧美精品.| 精品福利永久在线观看| 丰满人妻熟妇乱又伦精品不卡| 亚洲精品国产av成人精品| 国产日韩欧美视频二区| 久久久精品免费免费高清| 黄频高清免费视频| 精品一区二区三区四区五区乱码| 91九色精品人成在线观看| 亚洲国产成人一精品久久久| 美女高潮喷水抽搐中文字幕| 18在线观看网站| 婷婷丁香在线五月| 中文字幕精品免费在线观看视频| 巨乳人妻的诱惑在线观看| 叶爱在线成人免费视频播放| 久久香蕉激情| 亚洲av成人一区二区三| 欧美+亚洲+日韩+国产| 成年人免费黄色播放视频| 如日韩欧美国产精品一区二区三区| 欧美久久黑人一区二区| 999久久久国产精品视频| 国产免费现黄频在线看| 久久久久国产一级毛片高清牌| 我要看黄色一级片免费的| 男女午夜视频在线观看| videosex国产| 99久久国产精品久久久| 亚洲精品国产av成人精品| 波多野结衣av一区二区av| 视频区欧美日本亚洲| 两人在一起打扑克的视频| 在线观看舔阴道视频| av天堂在线播放| 女人久久www免费人成看片| 精品一区二区三区四区五区乱码| 国产精品久久久久久精品电影小说| 另类亚洲欧美激情| 最近中文字幕2019免费版| 永久免费av网站大全| 又大又爽又粗| 欧美国产精品一级二级三级| 国产精品国产三级国产专区5o| 亚洲视频免费观看视频| 午夜福利在线观看吧| 9色porny在线观看| 久久久久久人人人人人| 亚洲人成77777在线视频| 一本—道久久a久久精品蜜桃钙片| 亚洲欧美清纯卡通| 久久狼人影院| 成年人黄色毛片网站| 日日摸夜夜添夜夜添小说| 女人高潮潮喷娇喘18禁视频| 日韩欧美免费精品| 欧美少妇被猛烈插入视频| 国产亚洲一区二区精品| 大香蕉久久网| 国产亚洲午夜精品一区二区久久| 丝袜在线中文字幕| 19禁男女啪啪无遮挡网站| e午夜精品久久久久久久| a级毛片黄视频| 亚洲,欧美精品.| 69精品国产乱码久久久| 高清欧美精品videossex| 搡老岳熟女国产| 国产精品av久久久久免费| 欧美一级毛片孕妇| 日韩一区二区三区影片| 99re6热这里在线精品视频| 99热国产这里只有精品6| 色播在线永久视频| 国产日韩欧美在线精品| 亚洲人成电影观看| 色播在线永久视频| 日韩电影二区| 久久九九热精品免费| 美女福利国产在线| 国产精品香港三级国产av潘金莲| 男人操女人黄网站| 精品国产国语对白av| 国产深夜福利视频在线观看| 成年美女黄网站色视频大全免费| 国产片内射在线| 欧美 日韩 精品 国产| 国产男女超爽视频在线观看| 久久久久精品国产欧美久久久 | 午夜影院在线不卡| 精品国产一区二区久久| 母亲3免费完整高清在线观看| 日韩,欧美,国产一区二区三区| 成年女人毛片免费观看观看9 | 国产区一区二久久| 亚洲全国av大片| 丝袜人妻中文字幕| 一级a爱视频在线免费观看| 中文字幕人妻丝袜制服| 搡老熟女国产l中国老女人| 国产精品二区激情视频| 美女扒开内裤让男人捅视频| 巨乳人妻的诱惑在线观看| 久久久精品国产亚洲av高清涩受| 免费在线观看影片大全网站| 日本av免费视频播放| 精品福利观看| 狠狠婷婷综合久久久久久88av| av在线播放精品| 久久久欧美国产精品| 777米奇影视久久| 国产在线一区二区三区精| 香蕉国产在线看| 一级a爱视频在线免费观看| 成年美女黄网站色视频大全免费| 亚洲精品国产av成人精品| 美女高潮到喷水免费观看| 正在播放国产对白刺激| 他把我摸到了高潮在线观看 | 国产老妇伦熟女老妇高清| 久久女婷五月综合色啪小说| 日日摸夜夜添夜夜添小说| 亚洲国产精品999| 日本猛色少妇xxxxx猛交久久| 国产亚洲精品第一综合不卡| 桃花免费在线播放| 97在线人人人人妻| 免费不卡黄色视频| 男女午夜视频在线观看| 夜夜夜夜夜久久久久| 亚洲专区中文字幕在线| 精品熟女少妇八av免费久了| 女人被躁到高潮嗷嗷叫费观| 欧美日韩视频精品一区| 在线观看www视频免费| 交换朋友夫妻互换小说| 老熟妇乱子伦视频在线观看 | 一级毛片精品| 亚洲精品国产精品久久久不卡| 久久久久久久久免费视频了| 精品乱码久久久久久99久播| 久久热在线av| 亚洲男人天堂网一区| 正在播放国产对白刺激| 蜜桃在线观看..| √禁漫天堂资源中文www| 午夜福利视频在线观看免费| 首页视频小说图片口味搜索| 波多野结衣av一区二区av| 免费不卡黄色视频| 老熟女久久久| av片东京热男人的天堂| 免费黄频网站在线观看国产| 爱豆传媒免费全集在线观看| 国产一区有黄有色的免费视频| 操美女的视频在线观看| 亚洲成人免费av在线播放| 女警被强在线播放| 老熟女久久久| 99久久精品国产亚洲精品| 18禁观看日本| bbb黄色大片| 中文字幕制服av| 后天国语完整版免费观看| 动漫黄色视频在线观看| 欧美日韩视频精品一区| 国产高清视频在线播放一区 | 国产一区有黄有色的免费视频| 夜夜夜夜夜久久久久| 亚洲伊人色综图| 午夜老司机福利片| 亚洲av成人不卡在线观看播放网 | 国产成人系列免费观看| 中文精品一卡2卡3卡4更新| 欧美精品高潮呻吟av久久| 99热网站在线观看| av在线老鸭窝| 欧美一级毛片孕妇| 欧美在线黄色| 亚洲avbb在线观看| 热99久久久久精品小说推荐| 国产精品一区二区在线不卡| 99精品欧美一区二区三区四区| 黑人欧美特级aaaaaa片| 高清视频免费观看一区二区| 亚洲色图综合在线观看| 成人免费观看视频高清| 大片免费播放器 马上看| 国产免费现黄频在线看| 人妻人人澡人人爽人人| 狠狠狠狠99中文字幕| 热99国产精品久久久久久7| 国产伦人伦偷精品视频| 免费在线观看视频国产中文字幕亚洲 | 中文字幕最新亚洲高清| 一本一本久久a久久精品综合妖精| 搡老乐熟女国产| 在线永久观看黄色视频| 制服人妻中文乱码| 美女高潮喷水抽搐中文字幕| 日日夜夜操网爽| 久久久水蜜桃国产精品网| 日本av手机在线免费观看| 日本精品一区二区三区蜜桃| 欧美久久黑人一区二区| 亚洲精品粉嫩美女一区| 亚洲欧美一区二区三区久久| 国产免费福利视频在线观看| 午夜激情av网站| 老鸭窝网址在线观看| 精品福利观看| 欧美日韩成人在线一区二区| 国产无遮挡羞羞视频在线观看| 成年人黄色毛片网站| 丝袜在线中文字幕| 国产精品秋霞免费鲁丝片| 欧美日韩亚洲高清精品| 一级,二级,三级黄色视频| 人妻人人澡人人爽人人| 丁香六月天网| 狠狠精品人妻久久久久久综合| 叶爱在线成人免费视频播放| 欧美久久黑人一区二区| 久久精品国产a三级三级三级| 女警被强在线播放| 精品人妻一区二区三区麻豆| 日韩中文字幕视频在线看片| 久久久精品免费免费高清| 中文字幕最新亚洲高清| 在线精品无人区一区二区三| 亚洲中文日韩欧美视频| 国内毛片毛片毛片毛片毛片| 国产精品久久久久久精品电影小说| 亚洲精华国产精华精| 亚洲五月色婷婷综合| 国产黄频视频在线观看| 男人舔女人的私密视频| 十分钟在线观看高清视频www| 无遮挡黄片免费观看| 午夜激情久久久久久久| 国产一卡二卡三卡精品| 啦啦啦在线免费观看视频4| 90打野战视频偷拍视频| 在线十欧美十亚洲十日本专区| 精品福利永久在线观看| 精品国产超薄肉色丝袜足j| 亚洲色图 男人天堂 中文字幕| 999久久久国产精品视频| 99热网站在线观看| 久久亚洲精品不卡| 久久午夜综合久久蜜桃| 性高湖久久久久久久久免费观看| 欧美乱码精品一区二区三区| 欧美精品人与动牲交sv欧美| 婷婷色av中文字幕| 日韩制服骚丝袜av| 美女午夜性视频免费| 麻豆乱淫一区二区| 永久免费av网站大全| 亚洲欧美日韩另类电影网站| 国产一区二区三区av在线| 亚洲国产成人一精品久久久| av片东京热男人的天堂| 午夜免费观看性视频| 成人影院久久| 亚洲国产日韩一区二区| 欧美日韩国产mv在线观看视频| 亚洲国产精品一区二区三区在线| 黄网站色视频无遮挡免费观看| 别揉我奶头~嗯~啊~动态视频 | 精品国产乱码久久久久久小说| 人人妻,人人澡人人爽秒播| 日韩中文字幕视频在线看片| 18禁国产床啪视频网站| 国精品久久久久久国模美| 人人妻人人澡人人爽人人夜夜| 超碰成人久久| 欧美日韩成人在线一区二区| 18禁观看日本| 99香蕉大伊视频| 99热全是精品| 视频在线观看一区二区三区| 国产精品免费视频内射| 国产av又大| 日韩制服丝袜自拍偷拍| 国产亚洲欧美精品永久| 人人妻人人爽人人添夜夜欢视频| 99久久99久久久精品蜜桃| 高清黄色对白视频在线免费看| 一二三四在线观看免费中文在| 国产精品偷伦视频观看了| 伊人久久大香线蕉亚洲五| 狂野欧美激情性xxxx| 少妇被粗大的猛进出69影院| 久久青草综合色| 99精国产麻豆久久婷婷| 久久国产精品影院| 别揉我奶头~嗯~啊~动态视频 | 制服人妻中文乱码| 一个人免费在线观看的高清视频 | 国产精品九九99| 亚洲专区字幕在线| 麻豆av在线久日| 国产欧美日韩一区二区三区在线| 亚洲第一欧美日韩一区二区三区 | 欧美精品高潮呻吟av久久| 啪啪无遮挡十八禁网站| 一区二区av电影网| 韩国高清视频一区二区三区| 久久免费观看电影| 老司机深夜福利视频在线观看 | 欧美另类亚洲清纯唯美| videos熟女内射| 视频区图区小说| 狠狠精品人妻久久久久久综合| 亚洲五月婷婷丁香| 又紧又爽又黄一区二区| 男女边摸边吃奶| 水蜜桃什么品种好| av超薄肉色丝袜交足视频| 黄色视频在线播放观看不卡| 美女大奶头黄色视频| 亚洲国产精品成人久久小说| 男女下面插进去视频免费观看| 亚洲自偷自拍图片 自拍| 天天添夜夜摸| 搡老熟女国产l中国老女人| 午夜福利在线免费观看网站| 亚洲av成人一区二区三| 91成年电影在线观看| 中文字幕高清在线视频| 久久国产精品大桥未久av| 精品少妇内射三级| 欧美在线一区亚洲| 丝袜在线中文字幕| 中文精品一卡2卡3卡4更新| 99精品欧美一区二区三区四区| 人妻人人澡人人爽人人| 欧美日韩成人在线一区二区| 91成人精品电影| 久久久久精品国产欧美久久久 | 青青草视频在线视频观看| 丝袜美腿诱惑在线| 性色av一级| 一本色道久久久久久精品综合| 91麻豆精品激情在线观看国产 | 18在线观看网站| 国产精品影院久久| 欧美精品av麻豆av| 99精国产麻豆久久婷婷| 亚洲三区欧美一区| 18禁裸乳无遮挡动漫免费视频| 亚洲成人国产一区在线观看| 女人爽到高潮嗷嗷叫在线视频| 交换朋友夫妻互换小说| 亚洲全国av大片| √禁漫天堂资源中文www| 亚洲av日韩精品久久久久久密| 国产精品久久久久久精品电影小说| 美女主播在线视频| 久久精品熟女亚洲av麻豆精品| 丁香六月欧美| 日韩人妻精品一区2区三区| 成人国产一区最新在线观看| 丰满人妻熟妇乱又伦精品不卡| 一个人免费在线观看的高清视频 | 久久99一区二区三区| 欧美日韩黄片免| 婷婷丁香在线五月| 国产精品九九99| av免费在线观看网站| 三级毛片av免费| 国产欧美日韩一区二区三 | 国产精品九九99| 欧美日韩av久久| 热99re8久久精品国产| 久久毛片免费看一区二区三区| 精品国产国语对白av| 桃红色精品国产亚洲av| 国产亚洲av片在线观看秒播厂| 久久人人爽av亚洲精品天堂| 狠狠狠狠99中文字幕| 纯流量卡能插随身wifi吗| 欧美国产精品一级二级三级| 黑丝袜美女国产一区| 秋霞在线观看毛片| 一本色道久久久久久精品综合| www.999成人在线观看| 亚洲va日本ⅴa欧美va伊人久久 | 日韩中文字幕欧美一区二区| 日韩大片免费观看网站| 国产欧美日韩精品亚洲av| 亚洲午夜精品一区,二区,三区| 人人妻人人澡人人看| kizo精华| 欧美人与性动交α欧美软件| 欧美日韩视频精品一区| 精品一品国产午夜福利视频| netflix在线观看网站| 国产色视频综合| 国产淫语在线视频| 99久久99久久久精品蜜桃| 亚洲五月婷婷丁香| 日韩视频在线欧美| 亚洲中文日韩欧美视频| 嫁个100分男人电影在线观看| 国产日韩欧美在线精品| 真人做人爱边吃奶动态| 十八禁人妻一区二区| 日本欧美视频一区| 午夜福利视频精品| 国产成人影院久久av| 国产精品麻豆人妻色哟哟久久| 啦啦啦在线免费观看视频4| 免费看十八禁软件| 亚洲欧美色中文字幕在线| av在线播放精品| 中国美女看黄片| 国产成人系列免费观看| 91精品国产国语对白视频| 欧美亚洲 丝袜 人妻 在线| 在线观看一区二区三区激情| 久久 成人 亚洲| 亚洲精品日韩在线中文字幕| 精品亚洲成国产av| 欧美久久黑人一区二区| 69av精品久久久久久 | 大陆偷拍与自拍| 国产成人欧美| 国产亚洲午夜精品一区二区久久| 国产精品av久久久久免费| 国产高清视频在线播放一区 | 午夜福利在线免费观看网站| 欧美日韩黄片免| 国产男女内射视频| 丝袜美腿诱惑在线| 在线亚洲精品国产二区图片欧美|