ASDSApplied Statistics and Data Science3066-84333066-8441Art and Design10.61369/ASDS.2026010006Article融合舆情的黄金期货价格预测：RFECV特征选择与DNN模型https://artdesignp.com/journal/ASDS/2/1/10.61369/ASDS.2026010006杨紫帆,赵艺晴,徐浩然,潘晨宇,肖尧2026212026-01-20本文提出了一个面向黄金期货价格预测的“情绪指标增强 + 特征筛选 + 深度学习”的统一建模框架，重点探讨将多平台中文评论转化为可计算情绪特征，并与传统市场变量融合以提升预测精度。首先，基于情感词典与分词结果构建情绪强度，并进一步给出情绪波动率与7日滚动相关的一致性系数，使文本信息以时间序列形式进入模型输入。其次，引入以SVR为基学习器的RFECV进行递归特征消除与交叉验证筛选，保留关键价格变量、技术指标及情绪特征，降低维度并抑制噪声。最后，构建并对比CNN-线性回归混合模型与DNN模型进行预测评估，结果表明加入情绪指标后两类模型的误差指标整体改善，且对价格局部起伏与拐点刻画更贴近真实走势。该模型的作用与优点在于：可将非结构化文本信号标准化为通用可迁移特征，结合特征筛选与深度模型提高稳健性与泛化能力，适用于多类金融时间序列的预测任务。深度神经网络,卷积神经网络,RFECV递归特征消除,支持向量回归,黄金期货价格预测

[1]范彩云,童君逸,程俊彦,等.基于ML-DMA的黄金期货价格预测研究[J].数理统计与管理,2024,43(03):541-558.DOI:10.13860/j.cnki.sltj.20240509-009.[2]杨文清.基于文本挖掘的投资者情绪对股票收益率的影响[D].哈尔滨工业大学,2021.DOI:10.27061/d.cnki.ghgdu.2021.001613.[3]孙晶.基于RFECV特征选择和随机森林预测模型的应用与优化[J].数字通信世界,2024,(09):114-116.[4]陈湘源,秦伟,刘晏驰,等.融合卷积神经网络与线性回归的带式输送机托辊故障音频识别方法[J].煤炭科学技术,2025,53(S1):389-398.[5]黄寄.基于多模态信息融合的情感分析机制研究与实现[D].南京邮电大学,2022.DOI:10.27251/d.cnki.gnjdc.2022.001457.[6]吕成双,王彤,孙浩然.融合情绪指标的股价波动率预测研究-基于微调大语言模型与GAT- TCN网络[J/OL].运筹与管理,1-8[2025-12-09].https://link.cnki.net/urlid/34.1133. G3.20250106.1142.002.[7]朱晓彤.基于Transformer模型的金融时间序列特征分析与预测方法研究[D].山东财经大学,2025.DOI:10.27274/d.cnki.gsdjc.2025.000832.[8]陈亦真,宋旭峰,李超顺.基于RFECV-RF和PCA-LightGBM的水电机组劣化趋势评估[J].水电能源科学,2025,43(03):196-199+172.DOI:10.20040/j.cnki. 1000-7709.2025.20240361.[9]肖璐,陈果,刘继云.基于情感分析的企业产品级竞争对手识别研究——以用户评论为数据源[J].图书情报工作,2016,60(01):83-90+97.DOI:10. 13266/j.issn. 0252-3116.2016.01.012.[10]郭佳伦,钟浩珉,赵俊博,等.基于支持向量回归（SVR）的马尾松木材脱脂率预测[J].北京林业大学学报,2025,47(03):151-161.