30.6 结论
在本项目中，我们进行了以下工作：
首先，在第一部分中，我们明确了研究问题，并指出新闻来源是股票价格预测的重要组成部分。接着，在第二部分中，我们加载了金融市场数据，解析了RSS新闻标题，并定义了事件回报。随后，在第三部分中，我们专注于为新闻标题数据（语料库）创建情感值，探索了三种不同的方法：
- Textblob：一个基于朴素贝叶斯的情感分析模型，预训练于电影评论数据。
- 机器学习方法：我们创建了标签，结合Textblob情感和手动标记（基于百分比和命中/未命中标记），以建立基线。同时，我们将这些结果与专家标记的类似新闻标题数据进行比较。
- 深度学习方法
总体而言，标记后的模型在较低的嵌入维度下表现更佳，更简单的线性模型通常优于树基模型。然而，随着嵌入维度的提高，自我标记的模型效果下降，而在专家标记的数据集上，结果却有所改善。我们进一步尝试了神经网络方法，发现其在训练、验证和测试数据集上几乎达到了完美的表现。这一结果强调了准确标记数据的重要性，尤其是由专家进行标记时效果最佳。最后，我们还探索了VADER方法，发现其与Textblob类似，预训练于非金融语料库，因此我们利用了专为金融相关情感评估定制的词典。