本书全面深入地阐述了文本分析在经济和金融领域的应用，注重计算机科学与人文社会科学——经济学、金融学的相互渗透，为读者提供了系统的学习视角。本书不仅涵盖了文本预处理、情绪分析和主题建模等关键分析维度，还紧跟大语言模型快速发展趋势，详细介绍了深度学习技术及其在经济金融领域的具体应用，使读者能够兼顾基础知识与最新研究动态。通过Python编程实践，本书强化了文本分析理论知识与实际操作的结合，旨在提升读者的经济金融文本分析及实践应用能力。

本书适合高等学校经济管理、计算机应用及相关社会科学专业的本科生和研究生作为教材使用，也可作为经济金融从业者的参考用书。

前辅文
第1章 文本分析的发展沿革与基本流程
  1.1 文本分析方法发展沿革
  1.2 文本分析在经济学与金融学中的应用
   1.2.1 文本分析在经济学中的应用
   1.2.2 文本分析在金融学中的应用
  1.3 文本分析的基本流程
  思考题
第2章 文本数据获取与Python基础
  2.1 文本数据获取
   2.1.1 文本数据类型
   2.1.2 文本数据的来源
  2.2 财经文本数据示例及其研究价值
   2.2.1 宏观经济文本
   2.2.2 媒体新闻报道
   2.2.3 公司财务年报
   2.2.4 分析师报告
   2.2.5 消费者评价文本
  2.3 Python基础介绍
   2.3.1 Python基础语法
   2.3.2 Python字符处理
  2.4 文本爬虫
   2.4.1 爬虫的基本原理
   2.4.2 常用爬虫工具
   2.4.3 网络爬虫的法律和道德规范
   2.4.4 网页爬取的代码示例
  思考题
第3章 文本数据预处理
  3.1 中文与英文预处理的主要区别
   3.1.1 文本分词
   3.1.2 停用词去除
   3.1.3 词形规范化
   3.1.4 特定语言处理
  3.2 文本分词
   3.2.1 基于规则的分词方法
   3.2.2 基于统计的分词方法
   3.2.3 其他分词方法
   3.2.4 分词的程序工具包
  3.3 停用词去除
  3.4 词形规范化
  3.5 词性标注
  3.6 命名实体识别
  3.7 预处理实例
  思考题
第4章 词语的向量化表示
  4.1 词的独热表示法
  4.2 词的分布式表示
   4.2.1 共现矩阵
   4.2.2 点互信息矩阵
   4.2.3 降维与奇异值分解
  4.3 词嵌入方法
   4.3.1 Word2Vec词向量
   4.3.2 Word2Vec的算法：CBOW模型和Skip-gram模型
   4.3.3 GloVe词向量
  4.4 词语相似性与类比性
  4.5 词嵌入实例
  思考题
第5章 文本指标介绍
  5.1 文档—词条矩阵
   5.1.1 词频矩阵
   5.1.2 词频—逆文档频率矩阵
  5.2 文本指标1：关键词词频
   5.2.1 指标计算规则
   5.2.2 指标应用
  5.3 文本指标2：文本相似性
   5.3.1 指标计算规则
   5.3.2 指标应用
  5.4 文本指标3：文本可读性
   5.4.1 指标计算规则
   5.4.2 指标应用
  5.5 文本指标的稳健性与可复制性
   5.5.1 稳健性
   5.5.2 可复制性
  5.6 应用案例：基于央行沟通的文本指标测度
  思考题
第6章 基于词典的文本情绪分析
  6.1 文本情绪分析方法的发展脉络
  6.2 基于词典法提取文本情绪的基本流程
  6.3 已有的通用词典与专用词典
  6.4 拓展词典法
  6.5 生成词典法
  6.6 计算规则优化
  6.7 应用案例：媒体叙事与消费增速预测
  思考题
第7章 基于计量模型的文本情绪提取
  7.1 监督学习的基本思路
  7.2 栅栏分布式多项回归模型
   7.2.1 分布式多项回归模型简述
   7.2.2 栅栏分布式多项回归模型设定与系数解读
   7.2.3 应用案例：央行沟通与经济预测
  7.3 基于文本筛选和主题建模的情感提取模型
   7.3.1 模型基本假设
   7.3.2 模型实现步骤
   7.3.3 模型估计方法的改进
   7.3.4 应用案例：央行沟通指数测度
  7.4 因子增强正则化预测模型
   7.4.1 因子增强正则化预测模型思路与实现步骤
   7.4.2 应用案例：股票收益率预测
  7.5 其他监督学习方法
   7.5.1 支持向量回归
   7.5.2 随机森林模型
  思考题
第8章 文本聚类与文本主题建模
  8.1 潜在语义分析（LSA）
  8.2 潜在狄利克雷分布（LDA）
   8.2.1 LDA模型结构与基本参数
   8.2.2 LDA模型的输入和输出
  8.3 LDA模型的拓展
   8.3.1 LDA主题聚类
   8.3.2 有监督的LDA模型（sLDA）
   8.3.3 结构化主题模型（STM）
  8.4 文本主题模型的实证应用
   8.4.1 利用文本主题构造指标
   8.4.2 经济预测
   8.4.3 资产定价
  8.5 LDA模型的代码实现
  思考题
第9章 深度学习与文本分析
  9.1 神经网络思想与多层感知机
   9.1.1 单层感知机
   9.1.2 多层感知机
   9.1.3 激活函数
   9.1.4 反向传播算法
  9.2 卷积神经网络
   9.2.1 模型基础思路
   9.2.2 CNN模型在文本数据中的应用
  9.3 循环神经网络
   9.3.1 模型基础思路
   9.3.2 RNN模型在文本数据的应用
  9.4 长短期记忆模型
  9.5 注意力模型
   9.5.1 注意力机制
   9.5.2 自注意力机制
  9.6 基于深度学习的大语言模型
   9.6.1 Transformer模型
   9.6.2 大语言模型的词嵌入
   9.6.3 GPT模型与BERT模型
  9.7 大语言模型的兴起及其对文本分析的影响
   9.7.1 大语言模型的快速发展
   9.7.2 经济和金融领域的大语言模型
   9.7.3 大语言模型与文本分析任务
  思考题
第10章 大语言模型与传统文本分析任务
  10.1 计算文本相似性
  10.2 提取文本向量进行预测
  10.3 识别和分类文本
  10.4 构建特定领域词典
  10.5 文本情绪分析
  10.6 文本主题分析
  思考题
第11章 大语言模型与新应用场景
  11.1 LLMs与代理主体建模
   11.1.1 基于LLMs的交易与投资代理
   11.1.2 利用LLM Agent模拟市场和宏观经济活动
  11.2 LLMs与文本信念模拟
  11.3 LLMs与时间序列分析
   11.3.1 LLMs与时序大模型
   11.3.2 LLMs与经济金融时序预测
   11.3.3 LLMs与时序异常检测
  11.4 LLMs与经济金融推理
   11.4.1 LLMs与财务规划
   11.4.2 LLMs与投资建议或咨询
  11.5 大语言模型的优势与局限性
   11.5.1 优势
   11.5.2 局限性
  思考题
第12章 社交媒体数据分析与应用
  12.1 社交媒体数据的类型及特殊性
  12.2 文本数据的分析方法
  12.3 图像数据的分析方法
  12.4 音频数据的分析方法
  12.5 视频数据的分析方法
  12.6 社交媒体在经济金融中的应用
   12.6.1 宏观经济领域
   12.6.2 资本市场领域
   12.6.3 公司金融领域
   12.6.4 其他领域
  12.7 社交媒体数据分析与应用的未来展望
  思考题
主要参考文献