基于深度学习的财务报告情感分析与预测

摘要

近年来，随着资本市场和互联网技术的成熟，经济形势及政策变化速度快，导致投资者对企业的业绩走势、信用风险和投资价值判断难度加大。财务报告“管理层讨论与分析”部分逐渐引起重视，由于在这一部分文本中管理层会主动向投资人传递企业价值信号，因此该部分相比财务报表具有更多的前瞻性和管理层情绪。以往学者提取文本中情绪信息的主流方法是传统的字典法和机器学习方法，通过识别文本情感词的密集度、分布特征等进行判断，因此在样本大小和企业评价准确度上存在一定的局限性。　　本文利用“管理层讨论与分析”中的情绪词特征构建逻辑回归模型，在此基础上进一步构建基于注意力的双向长短期记忆网络模型，首先利用Word2vec提取文本词向量，搭建两层LSTM模型获取文本语义特征，引入注意力机制重点关注部分情绪特征，并将模型训练得到的情感分析结果用于预测企业未来的业绩表现。实验部分，选择2014-2018年3606家上市公司的10080份财务报告中的“管理层讨论与分析”文本作为研究对象，使用净资产收益率作为企业未来业绩表现的衡量指标。研究主要有如下发现：（1）LR模型预测准确率为83.07%，F1值为89.64%，在Bi-LSTM上预测准确率为91.70%。（2）Bi-LSTM+Attention模型准确率为98.30%，相比单独的Bi-LSTM模型效果提升6.6%。与经典长文本分类模型TextRCNN相比，效果提升5.07%。　　本文研究验证了“管理层讨论与分析”文本中丰富的前瞻性和管理层情绪信息，挖掘信息对企业未来业绩走向进行预测，给投资者提供了新的决策辅助手段，督促市场机构对财务报告披露管理更加规范。

目录

声明

1 绪论

1.1 研究背景

1.2 研究目的与意义

1.3 研究内容

1.4 章节安排

2 文献综述

2.1 国外研究综述

2.2 国内研究综述

2.3 文献评述

3 相关理论基础

3.1 逻辑回归方法

3.2 深度学习方法

3.2.1 RNN

3.2.2 LSTM

3.2.3 Bi-LSTM

3.2.4 注意力机制

3.2.5 深度学习方法总结

4 面向财报的 Bi-LSTM+Attention 建模

4.1 财务报告的语言特征分析

4.1.1 专业性

4.1.2 语气

4.1.3 领域用词 领域用词

4.2 整体思路

4.3 模型框架

4.4 模型搭建

4.4.1 词向量训练

4.4.2 实体特征与词性特征

4.4.3 Bi-LSTM 模型

4.4.4 Attention机制

4.4.5 情感分类

4.5 情感分析模型步骤

4.6 企业未来业绩预测模型

4.6.1 Bi-LSTM 实验步骤

4.6.2 基于注意力机制的 Bi-LSTM实验步骤

5 实验与结果分析

5.1 数据采集与整理

5.1.1 数据收集

5.1.2 文本标签

5.1.3 数据清洗

5.1.4 实体标签提取

5.2 实验评价指标

5.3 情感分析实验

5.3.1 语调指标计算

5.3.2 实验结果与分析

5.4 企业未来业绩预测实验

5.5 实验总结

6 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

在读期间科研成果目录