指導老師：譚澤漢、鄭曉晴

學生：陳耀光

一、簡要介紹

項目概述

         本作品是一個創新的金融科技教學實例，旨在通過融合情感分析與時間序列預測技術，為金融ETF（交易所交易基金）投資提供高精度、可解釋的預測服務。該平台突破了傳統金融預測模型的局限性，實現了最高73%的方向預測準確率，較傳統模型（50-60%）有顯著提升。

圖1： 基於情感驅動的金融ETF預測平台界面

核心特色

二、技術特點

1. 1. 系統架構圖

         本項目系統架構始於輸入層，負責接收原始數據，包含價格數據（如即時報價、成交量、歷史走勢等）與情感數據（如新聞、社群媒體、用戶評價等）。數據隨後流向特徵提取層，此層由兩個核心代理模塊平行運作：價格預測代理運用大模型進行時間序列分析，提取關鍵價格特徵（例如趨勢方向、支撐位與阻力位）；同時，情感分析代理則利用大模型進行語意解析，計算出情緒特徵（包含情緒得分與其置信度）。提取後的特徵接著傳送至決策層，在此層進行核心的動態加權融合，依據即時市場狀況（如波動率）調整價格與情緒特徵的影響權重比例，並在應用約束條件（例如系統規則或技術面阻力位限制，如「1.795處的阻力位限制上漲潛力」）後，最終生成附有自然語言決策依據的預測結果與交易建議（如買入、持有或賣出）。系統還包含關鍵的規則管理層，負責處理來自反饋循環的歷史數據（主要是過往預測與實際市場的誤差）；此層透過錯誤分析代理進行診斷，並由大模型輔助將診斷結論（例如自然語言描述「如果波動率大於0.04，則將情緒權重限制在0.3」）轉化為具體的約束規則，最後將規則儲存於規則存儲庫中供決策層即時調用。這個反饋循環機制持續將預測誤差回輸，驅動系統學習與規則庫的自我迭代優化，形成一個自我完善的閉環系統。

2. 算法創新點

2.1 自然語言解釋

全程自動生成人類可讀的決策邏輯（例如「高波動下限制情感權重至0.3」），將複雜演算法結果轉化為自然語言說明，滿足金融合規審查需求。

2.2 動態權重機制

根據即時市場波動率（σ）動態調整時間序列特徵與情感特徵在預測模型中的權重比例，例如高波動時降低情感權重（如限制至0.3）來控制情緒噪音的影響，以適應不同市場環境。

2.3 自我迭代規則庫

2.3.1 基於預測誤差自動生成可解釋規則 

算法透過診斷預測結果與市場實際值的誤差，自動生成具可解釋性的操作規則（例如「當波動率σ>0.04時，將情感權重上限設為0.3」），並儲存至規則庫供決策調用。

2.3.2規則置信度計算：

 規則置信度分數由該規則歷史觸發次數中預測正確的比例計算，算法會為每條自動生成的規則計算一個置信度分數，量化為一個代表其可信程度的數值。

2.3.3 規則存儲與檢索

存儲：規則及其元數據（如上述的置信度分數、自然語言描述、觸發條件等）存儲在 SQLite 資料庫中。這種結構化的存儲方式便於對規則進行集中管理、查詢和更新。

檢索：在決策過程的特定階段（如規則應用階段），系統會根據當前市場條件等因素，從資料庫中檢索出相關規則，例如當市場波動率超過 0.04 時，系統會檢索到限制情緒權重的規則，並將其應用到決策提示中，以指導後續的決策生成。

2.4 多模態融合

價格特徵：趨勢、支撐位、阻力位

情感特徵：得分、置信度、情緒強度

 

三、應用價值

♦ 金融投資領域實戰應用

1.多市場預測能力：覆蓋A股、港股、美股三大市場，提供全球化投資視角

2.風險管理工具：透過實際預測驗證，幫助投資者理解模型限制

3.決策輔助系統：提供置信度評估，A股預測準確展現了國內市場分析優勢

4.持續改進機制：基於預測失誤（港股、美股案例）不斷優化模型參數

♦ 實戰價值

1.A股市場優勢：159931預測誤差僅0.003，展現對本土市場的深度理解

2.跨市場學習：港股、美股預測偏差揭示了跨境因子的複雜性

3.模型透明度：每次預測都提供詳細的影響因子分析和風險提示

♦ 商業應用場景

1.券商投研支持：為投資顧問提供數據驅動的ETF推薦依據

2.基金管理工具：協助基金經理進行資產配置和風險控制

3.個人投資助手：為散戶投資者提供專業級分析工具

4.風控系統組件：集成至金融機構的風險管理平台

 

四、社會價值

♦ 促進金融市場健康發展

1.提升市場效率：通過精準預測引導資金合理配置，減少非理性投資行為

2.增強市場透明度：可解釋AI決策讓投資邏輯更加清晰透明

3.降低系統性風險：多維度分析幫助識別潛在市場風險點

4.推動金融科技創新：為行業提供情感分析與量化投資結合的新範式

♦ 普惠金融服務貢獻

1.技術民主化：讓普通投資者也能享受到機構級的分析工具

2.投資教育功能：通過預測解釋培養投資者的理性投資思維

3.跨市場連通：促進全球金融市場的信息流通和資源配置

4.中小投資者保護：提供風險提示和決策建議，減少投資損失

♦ 數據驅動社會進步

1.學術研究貢獻：為金融學、人工智能領域提供實證研究案例

2.政策制定參考：為監管機構提供市場情緒和風險監測工具

3.產業升級推動：促進傳統金融機構向數字化、智能化轉型

4.人才培養平台：為金融科技人才提供實踐學習環境

♦ 澳門金融中心建設

1.金融科技品牌：提升澳門在金融科技領域的創新形象

2.產學研結合：促進澳門高校與金融業界的深度合作

3.人才集聚效應：吸引金融科技人才來澳發展

4.區域金融合作：為粵港澳大灣區金融一體化提供技術支撐

 

五、教育意義

♦ 創新教育模式實踐

1.項目驅動學習：通過真實預測項目培養學生解決實際問題的能力

2.跨學科融合教育：整合AI、金融、統計、心理學等多領域知識

3.國際化視野培養：覆蓋全球三大金融市場，培養學生全球化思維

4.創新思維訓練：鼓勵學生跳出傳統框架，探索技術創新可能性

♦ 科研能力培養

1.研究方法論學習：掌握數據收集、模型構建、效果驗證的完整科研流程

2.批判性思維培養：通過分析預測成功與失誤案例，培養客觀分析能力

3.持續改進意識：基於誤差大的預測結果反思，培養自我迭代和持續優化思維

4.學術誠信教育：如實報告預測結果，培養嚴謹的學術態度

♦ 實用技能掌握

1.數據分析技能：掌握金融數據處理、特徵工程、模型訓練等實用技術

2.風險管理意識：通過預測失誤案例學習風險識別和控制方法

3.商業思維培養：了解技術如何轉化為商業價值和社會效益

4.團隊協作能力：在跨專業項目中培養溝通協調和團隊合作能力

♦ 價值觀教育

1.科技向善理念：引導學生思考技術創新對社會發展的積極影響

2.服務社會意識：培養運用專業知識服務社會、造福民眾的責任感

3.全球化視野：在多市場預測實踐中培養國際化思維和跨文化理解

4.終身學習態度：通過模型持續優化體會終身學習的重要性

♦ 教學方法創新

1.成果導向教學：以實際預測結果為導向，注重學習成果的可檢驗性

2.案例教學法：運用真實市場數據和預測案例進行深度教學

3.互動式學習：學生參與預測驗證和模型改進，提高學習主動性

4.反思性學習：通過分析預測成敗得失，培養深度思考和自我反思能力

♦ 教育資源開發

1.實踐教學平台：為其他院校提供金融科技教育的參考模式

2.課程體系創新：推動金融科技專業課程的設計和優化

3.師資培養：為教師提供前沿技術和實踐教學的培訓機會

4.校企合作典範：建立產學研深度融合的教育生態系統

♦ 教育評估體系

1.多維度評估：結合技術指標、商業價值、社會影響等多維度評估學習成果

2.過程性評估：重視學習過程中的思維發展和能力提升

3.實踐性評估：以實際項目成果和市場反饋作為評估依據

4.發展性評估：關注學生的長期發展和持續改進能力

 

六、總結

         本教學實例作品《基於情感驅動的金融ETF預測平台》充分體現了中西創新學院在金融科技教育領域的創新實踐。通過融合人工智能、情感計算、金融工程等多學科技術，不僅實現了顯著的技術突破（73%預測準確率），更重要的是為學生提供了一個理論與實踐相結合、技術創新與社會價值並重的優秀學習案例。

        該項目不僅推動了可解釋AI在金融領域的應用發展，更為澳門金融科技人才培養和產業發展貢獻了重要力量，充分展現了教育創新對於社會進步的重要推動作用。