【Convolutional Neural Networks for Financial Text Regression】

这个论文的主要的观点也是年报之中含有更多的信息，因为他们更正规并且包含了方方面面。之前的工作的主要的关注的方面是在预测波动的时候使用Sentiment Polarity，但是由于年报的长度实在是太长了，所以在以短文本那一块的经验来搞完全不可行。那么我们看看他是怎么做的

Problem Definition

这里就先定义一些在后文之中会使用的公式，比如说Stock Return Volatility，这个就被定义成为在一定的时间时间之内的股票的波动(A target stock over a period of time).如果以$S_{t}$作为股票在第$t$天的收盘价，那么在第$t$天的Return就是$R_t = \frac{S_t}{S_{t-1}} – 1$,而股票在$\tau$时间段的波动率则被记作是

$$v_{[t-\tau , t]} = \sqrt{\sum_{i=1}^{\tau} \frac{(R_{t-i} – \bar{R})^{2}}{\tau}}$$

Model

来看看模型，在Reports放进模型之前，他们的长度都被限定到了$m$个单词，那么小于$m$个单词的都被Padd了。输出的矩阵是一个Embedding Layer，这里的卷积层包括了不同大小的Kernel Size。

大意就是使用Tri-Gram，Four-Gram，Five-Gram对于原文进行操作。然后MaxPolling，再把他们Concatenate作为最终的输入向量，再通过Fully Connected Layer，就进行预测。

诶，后面好像就没有什么了，也没有其他的什么非常惊艳和可以学习的操作。自己倒迷惑这个是怎么被ACL的主席给选进去了，这也太水了，就是用三个卷积核的CNN然后再送进FC层就完了。黑幕黑幕。

Comments

这个文章倒感觉没有什么特别的可以讲的和学习的Point，可能是自己看了他之后的延伸的方法所以觉得这个工作过于简单了，又或者是和Financial扯上了关系，所以就更容易中一些。不过自己也感觉最近读的论文好像都有点水了，不知道是不是把经典的读完了还是什么原因，可能也有自己最近有点偷懒的原因吧。不过今天是因为出去玩了一天，回来才写可能也累了，就没有细挑论文，明天再好好筛选一下值得读的。

Reference

Convolutional Neural Networks for Financial Text Regression