《表2 LSTM与朴素贝叶斯的文本分类结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多模态投资者情绪数据的USD/CNY汇率波动率预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：由于部慧等（2018）并未直接给出总体的正确率，这里取其三分类精度的平均值作为指标。

LSTM训练过程如图5所示。从训练曲线可以看出三分类模型在训练集中得到了很好的拟合。损失值不断下降，正确率在迭代2 000～3 000次左右就已经达到了100%。训练出的模型在测试集中表现也比较优异，由于本文是三分类，所以采用模型评价标准的平均值，也就是先计算acuracy、recall、F的指标取平均数AVA、AVR、AVF作为评价指标，整体准确率平均为86.79%，表明模型不存在过拟合现象。本文采用朴素贝叶斯共同实验进行对比，对比实验用同样的中文文档作为语料库，对语料库预处理、利用word2vec转换成词向量，再用朴素贝叶斯构建文本分类模型，实验以整体平均正确率来作为精度评价指标，如表2所示。同时，表2中还列出了具有代表性的前期文献所得到的朴素贝叶斯分类结果（包括中文文档与英文文档分类）。结果表明，无论是本文的朴素贝叶斯方法还是前人研究中的朴素贝叶斯方法，在文本分类精度的各个评价指标上都低于LSTM模型。因此，运用LSTM所分类出来的文本，可以更有效地判断文档中的语义信息，更贴近真实的投资者情感倾向。