智能决策支持系统在金融预测与市场趋势分析中的优化应用研究

本文提出了一种集成多源数据（历史股价、推特情绪、政治事件）的智能决策支持系统（IDSS），通过银河群优化（GSO）算法进行特征选择，并采用改进型双向长短期记忆网络（RBLSTM）模型提升金融预测精度（达98.42%）。该系统突破了传统方法在动态市场环境下处理实时外部信号（如公众情绪、政治事件）的局限性，为企业风险管理和投资决策提供了更可靠的智能支持。

　　

亮点

本研究通过整合历史股市数据、推特公众情绪和政治事件等多源信息，构建了创新的智能决策支持系统（IDSS）。采用银河群优化（GSO）——一种具备强大全局搜索能力的算法——进行高维特征筛选，并开发了改进型双向长短期记忆网络（RBLSTM）模型。该模型通过双向时间学习与高效正则化技术，显著提升了金融预测的准确性和泛化能力。

相关研究

现有文献表明，传统预测模型常忽略公众情绪等外部变量。例如，Li等学者发现社交媒体情绪与股价波动存在显著关联，但缺乏动态整合机制。本研究通过融合情感分析（VADER）与语义特征提取（TF-IDF/BOW），填补了这一技术空白。

方法论

如图1所示，系统流程包括：

1. 1.

   多源数据采集（雅虎财经、推特政治事件）

2. 2.

   自然语言处理（NLP）预处理流水线（分词、词形还原、Min-Max归一化）

3. 3.

   联合特征工程（情感词典+统计语义分析）

4. 4.

   GSO优化特征子集

5. 5.

   RBLSTM时序建模

结果讨论

实验显示，RBLSTM在测试集上达到98.42%准确率，较传统BiLSTM提升6.3%。关键突破在于：

• 政治事件特征使突发波动预测响应速度提升40%

• 情感分析模块成功捕捉到"黑天鹅"事件前的市场焦虑信号

• GSO将特征维度压缩78%的同时保持97%信息量

结论

本系统通过智能融合多维市场信号，为企业在动荡金融环境中提供了更可靠的决策支持。未来可扩展至加密货币等新兴市场，并探索联邦学习框架下的隐私保护方案。

（注：翻译部分严格遵循了术语标注规范，如GSO/RBLSTM等缩写首次出现时标注全称，并保留了Min-Max/VADER等专业符号的原始格式，同时采用生活化表述如"黑天鹅"增强可读性。）