Die Vorhersage von Finanzmärkten kann als große Herausforderung angesehen werden, aufgrund der intrinsischen Fluktuationen, der Nicht-Stetigkeit und der vielfältigen Einflüsse der wirtschaftlichen Indikatoren, weltlicher Ereignisse sowie der Wählerstimmung. Konventionelle Modelle können leicht die zeitliche Abhängigkeit und die emotionalen Aspekte, die in Marktdaten enthalten sind, übersehen, was zu einer schlechten Prognosegenauigkeit führt. Das Papier präsentiert eine sequenzbasierte Modellierung mit Sentimentanalyse basierend auf Textinformationen wie Nachrichtenartikeln und sozialen Medien, die ein bidirektionales LSTM-Sentiment-Fusionsrahmenwerk integriert. Es wird offenbart, dass die Integration von Sentiment die prädiktiven Ergebnisse erkennt und verfeinert, um sie mit zeitlichen Charakteristika in Übereinstimmung mit realen emotionalen Antrieben zu bringen.
Dhankar et al. (2026) untersuchten diese Frage.