Stock Embedding Acquired from News Articles and Price History and Application Portfolio Optimization

Stock Embedding Acquired from News Articles and Price History, and an Application to Portfolio Optimization
这篇文章是ACL2020发表文章，他的研究方向是挖掘金融新闻，预测股价，并首次提出组合优化。本文主要就是简略讲一下我自己理解后的流程和计算。原文有些计算方法是分在两三个部分写的，我按照计算流程给它们整合了一下，并且我只挑了我觉得比较重点的部分写。所以看这篇文章可能需要先看看原文哦。

模型部分

模型主要分为两个部分，分别是文本特征蒸馏和价格运动分类。

Text feature distiller

这部分运用了key-value记忆网络，n^K_i和n^V_i分别表示文章的word Level 和 context level。
n^K_i的计算：

其中，
γ_k = TF*IDF
TF=单词k在A文章中出现的次数/A文章中所有出现单词的次数和
IDF=log（第t天所有文章在corpus的总数/(所有corpus里含有单词k的文章+1)）

n^V_i：a BERT encoder.
因此，可以计算出一个score_(i,j)=n^K_i*s_j,
其中,s_j是stock embedding。

接下来就可以计算attention score，α：

最后可以得到text feature distiller的输出market vector，m^j _t(股票j，第t天)：

Price movement classifier

m作为价格分类模型的输入，通过下面的流程图最后得到y，再做cross-entropy得到损失函数更新参数。其中 v_(τ-t)是hyper parameter（人工给定的参数）。

注：这里使用的新闻数据是（t-4，t）共5天的新闻。

与其他方法对比

本文与之前的一些新闻驱动的股票预测方法不同的地方在于，price movement classifier里是共享参数的（shared classifier），如β等。如Listening to chaotic whispers:A deep learning framework for news-oriented stock trend prediction里就是对某一天某一篇的新闻来做预测，参数都是重新更新的。

组合优化

组合优化部分，我认为是和前面分开来考虑的，他主要是对解决股票之间相关性的算法做了一些改变。投资组合中，两只股票相关性越高则风险越高，本文将传统的协方差模式更改为cosine，并且输入变为s_i和s_j来判断两只股票的相关性。cos（s_i,s_j）用于判断两只股票对同样的新闻是否有相似的反应。

Weighted BERT

在实验部分，我觉得比较难理解的就是weighted BERT方法了，所以这里单独说一下。
看下列计算流程图，通过对加权，把cos(s_i,s_j)变为cos(s*_i,s*_j)。

写的有点凌乱，因为时间有限，先写个初稿放着吧～