نقش مفهوم سازی ، درمان داده ها ، تجزیه و تحلیل رسمی ، بررسی ، روش شناسی ، مدیریت پروژه ، نرم افزار ، نظارت ، اعتبار سنجی ، تجسم ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش گروه آمار وابسته ، دانشگاه ایالتی ترومن ، کیرکسویل ، MO ، ایالات متحدهآمریکا

روش شناسی نقش ، نظارت ، اعتبار سنجی ، تجسم ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش گروه وابستگی فیزیک و علوم کامپیوتر ، دانشگاه خاویر لوئیزیانا ، نیواورلئان ، لس آنجلس ، ایالات متحده آمریکا

نقش مفهوم سازی ، تجزیه و تحلیل رسمی ، منابع ، نرم افزار ، اعتبار سنجی ، تجسم ، نوشتن-پیش نویس اصلی ، نوشتن-بررسی و ویرایش * پست الکترونیکی: gaire1s@cmich. edu گروه وابسته به فیزیک ، دانشگاه کاتولیک آمریکا ، واشنگتن ، دی سی ، یونایتددولتهای آمریکا

بررسی نقش ها ، روش شناسی ، اعتبار سنجی ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش گروه وابستگی فیزیک ، دانشگاه ایالتی نیومکزیکو ، لاس کروس ، NM ، ایالات متحده آمریکا ⨯

نقش مفهوم سازی ، نرم افزار ، اعتبار سنجی ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش شرکت TQUT Inc. ، Rockford ، MI ، ایالات متحده آمریکا

نوشتن نقش ها - بررسی و ویرایش گروه وابستگی علوم کامپیوتر ، دانشگاه میشیگان مرکزی ، Mount Pleasant ، MI ، ایالات متحده آمریکا

نقش مفهوم سازی ، نرم افزار ، تجسم ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش گروه وابستگی فیزیک ، دانشگاه مشترک المنافع ویرجینیا ، ریچموند ، VA ، ایالات متحده آمریکا

وابستگی نرم افزار نقش کالج مهندسی کاتماندو ، دانشگاه Tribhuvan ، Kathmandu ، Nepal ⨯

یک مطالعه مقایسه ای در مورد تأثیر احساسات اخبار بر پیش بینی قیمت سهام با معماری یادگیری عمیق

• کشاب راج داهال ،
• نووا راج پوخل ،
• سانتوش گایره ،
• شراد ماهاتارا ،
• Rajendra P. Joshi ،
• آنکریت گوپتا ،
• Huta R. Banjade ،
• جورس جوشی

• منتشر شده: 25 آوریل 2023
• https://doi. org/10. 1371/joual. pone. 0284695

ارقام

خلاصه

پیشرفت شتاب در هوش مصنوعی روشهای پیشرفته یادگیری عمیق را در پیش بینی قیمت سهام تشویق می کند. در این میان ، دسترسی آسان به بازار سهام در کف دست شخص باعث شده است که رفتار خود از همیشه فازی ، بی ثبات و پیچیده تر شود. جهان به دنبال یک مدل دقیق و قابل اعتماد است که از متن و داده های عددی استفاده می کند که بهتر نشان دهنده رفتار بسیار بی ثبات و غیرخطی بازار در یک طیف گسترده تر است. شکاف تحقیقاتی در پیش بینی دقیق قیمت بسته شدن سهام هدف با استفاده از داده های عددی و متن ترکیبی وجود دارد. این مطالعه با استفاده از حافظه کوتاه مدت کوتاه مدت (LSTM) و واحد مکرر دروازه (GRU) برای پیش بینی قیمت سهام با استفاده از ویژگی های سهام به تنهایی و شامل داده های اخبار مالی در رابطه با ویژگی های سهام. مطالعه تطبیقی انجام شده در شرایط یکسان ، به طور ناشایست اهمیت ترکیب اخبار مالی در پیش بینی قیمت سهام را ارزیابی می کند. آزمایش ما نتیجه می گیرد که ترکیب داده های خبری مالی دقت پیش بینی بهتری نسبت به استفاده از ویژگی های اساسی سهام به تنهایی ایجاد می کند. عملکرد معماری مدل با استفاده از معیارهای ارزیابی استاندارد - میانگین خطای مربع (RMSE) ، میانگین خطای درصد مطلق (MAPE) و ضریب همبستگی (R) مقایسه می شود. علاوه بر این ، آزمایشات آماری برای تأیید بیشتر استحکام و قابلیت اطمینان مدل ها انجام می شود.

استناد: Dahal KR ، Pokhrel NR ، Gaire S ، Mahatara S ، Joshi RP ، Gupta A ، et al.(2023) یک مطالعه مقایسه ای در مورد تأثیر احساسات اخبار بر پیش بینی قیمت سهام با معماری یادگیری عمیق. PLOS ONE 18 (4): E0284695. https://doi. org/10. 1371/joual. pone. 0284695

ویراستار: لین وانگ ، دانشگاه علوم و فناوری Huazhong ، چین

دریافت: 19 ژانویه 2023 ؛پذیرفته شده: 6 آوریل 2023 ؛منتشر شده: 25 آوریل 2023

کپی رایت: © 2023 Dahal et al. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که اجازه استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای می دهد ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: کلیه داده های مربوطه در OSF (https://osf. io/8b7yk/) در دسترس هستند.

بودجه: نویسندگان بودجه خاصی برای این کار دریافت نکردند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

1. معرفی

بورس سهام به ما امکان می دهد واحدهای مالکیت را در شرکتی به نام سهام خریداری و بفروشیم و وقتی سود یک شرکت بالا می رود و برعکس ، می توان برخی از این سود را نیز در اختیار داشت. تکامل بورس سهام جذاب است ، از معاملات سهام دست نویس در کافی شاپ ها گرفته تا سکوی دیجیتال امروز ، جایی که می توان در کف دست شخص به کل بازار سهام جهان دسترسی داشت. بنابراین ، این رشد اقتصادی را با تشویق رقابت و نوآوری در بخش های مختلف از جمله تجارت ، آموزش و بازار کار تقویت می کند [1 ، 2]. با این حال ، خرید سهام مناسب در زمان مناسب یکی از چالش برانگیزترین مشاغل است. دلایل و شرایط مختلفی در پشت صحنه به دلیل رفتارهای بسیار غیرخطی ، بی ثبات ، فازی ، پر سر و صدا ، غیر پارامتری ، قطعی ، به طور پیش فرض بر قیمت سهام تأثیر می گذارد [3-5]. مدل پیش بینی قیمت سهام به ما کمک می کند تا در صورت و تنها در صورتی که ترکیب خوب متعادل از ویژگی هایی که بر قیمت سهام تأثیر می گذارد ، به حداقل برسد ، سطح عدم اطمینان را برای سرمایه گذاری بهتر و تصمیمات تجاری به حداقل برسانیم.

مدارس مختلف فکری در پیش بینی قیمت سهام استفاده شده است. به طور سنتی ، موج اول به نظریه فرضیه بازار کارآمد اعتقاد دارد [6]. این امر خواستار داده های سهام تاریخی تأثیر زیادی در پیش بینی قیمت آینده دارد. برعکس ، مفهوم پیاده روی تصادفی [7] معتقد است که قیمت سهام خاص در حال حاضر در قیمت فعلی آن منعکس شده است. سپس هرگونه تغییر در قیمت سهام منعکس کننده انتشار اطلاعات جدید یا سر و صدای تصادفی است. موج دوم بر مدل سازی آماری متمرکز است ، جایی که تمرکز اصلی پیش بینی قیمت های آینده بر اساس رابطه بین داده های گذشته و حال است [8-13]. تقریباً همه این مدل ها رابطه خطی بین متغیرهای داده شده را مرتبط می کنند ، اما داده های بازار سهام اغلب غیرخطی هستند. سومین و قدرتمندترین موج به دلیل پیشرفت تکنولوژیکی ، قدرت محاسباتی بالا و رشد الگوریتم هوش مصنوعی مبتنی بر قانون به وجود آمد. این مدل ها در درجه اول به ضبط رفتار غیرخطی داده های بازار سهام کمک می کنند.

با استثنائات بسیار اندک ، بیشتر مدل های توسعه یافته تحت هر موج از داده های عددی ساختاری برای پیش بینی قیمت سهام استفاده می کنند. این داده ها به تنهایی برای بررسی بازده سهام کافی نیستند ، و الگوهای بازار روزانه و هفتگی را پیش بینی می کنند [14 ، 15]. در دهه اخیر ، جنبش بورس سهام تحت تأثیر اطلاعات عمومی یا خصوصی به اشتراک گذاشته شده از طریق سیستم عامل های مختلف رسانه های دیجیتال مانند پست های فیس بوک ، توییت در توییتر یا شایعات مالی در چندین سیستم عامل قرار گرفته است. همه این فعالیت ها نوسانات بازار سهام را بیشتر می کند زیرا اطلاعات بیشتر به فرآیندهای فکری روانی انسانها تمایل دارند. هنگامی که بحث حول انسان و احساسات انسانی می چرخد ، اوضاع پیچیده و پیچیده است. یک مورد در مورد 5 ژانویه 2017 ، رئیس جمهور منتخب دونالد ترامپ توییت کرد تا در صورت ساخت اتومبیل های کرولا خود برای بازار ایالات متحده در کارخانه ای در مکزیک ، مالیات سنگین را به موتور تویوتا تحمیل کند. این توییت با افزایش قیمت آن و حجم آن ، تأثیر قابل توجهی در سهام تویوتا داشت. به همین ترتیب ، سهام در تاریخ 1 اوت 2019 ، درست پس از آنكه رئیس جمهور دونالد ترامپ مجموعه ای از توییت ها را در مورد 10 ٪ اتهام كه به ارزش 300 میلیارد دلار کالاهای چینی تحمیل می شود ، سقوط كرد. میانگین صنعتی داو جونز پس از سقوط 334. 20 امتیاز در اوایل روز ، 98. 41 امتیاز پایین تر در 26،485. 01 بسته شد. S& P 500 0. 7 ٪ از دست داد تا روز به 2،932. 05 پایان یابد.(https://www. cnbc. com). علاوه بر این ، صدای جیر جیر معروف الون ماسک در مورد پذیرش بیت کوین به عنوان یک روش پرداخت برای اتومبیل های تسلا. در همان روز ، قیمت سهام بیت کوین در 24 مارس 2021 5. 2 ٪ افزایش یافته است. شواهد بیان شده در مورد اهمیت و تأثیر احساسات بازار در پیش بینی قیمت سهام صحبت می کند.

بسیاری از مقالات تحقیقاتی تاکنون با استفاده از تغییرات مدل های یادگیری عمیق منتشر شده است ، و سطوح مختلف ادعاها در مورد صحت و استحکام مدل ها مشاهده شده است [18-23]. محبوب ترین معماری یادگیری عمیق ، حافظه کوتاه مدت کوتاه مدت (LSTM) ، واحد مکرر دروازه (GRU) ، شبکه عصبی Convolution و تکنیک های هیبریداسیون مربوط به آنها است [18 ، 24-33]. هر انتشار جدید با افتخار در مورد صحت و استحکام مدل صحبت می کند. استراتژی های اجرای آنها ، چارچوب کاری ، سری فرضیات ، تعداد ویژگی ها و منابع داده با یکی به دیگری متفاوت است. بنابراین ، انجام یک مقایسه بی طرفانه بین مقالات قبلی منتشر شده که از همان مدل برای پیش بینی قیمت سهام استفاده می کنند ، غیر عملی است. علاوه بر این ، ادبیات فاقد تجزیه و تحلیل مقایسه ای از پیش بینی قیمت سهام با یا بدون درج داده های بدون ساختار در داده های منظم بازار سهام است.

این مطالعه مدل های LSTM و GRU را برای پیش بینی قیمت سهام تحت چارچوب استاندارد با استفاده از شرایط یکسان مقایسه می کند. این کمک می کند تا به طور عینی اهمیت آماری شامل یا حذف احساسات اخبار مالی در پیش بینی قیمت سهام را ارزیابی کنیم. اخبار مالی کشورهای توسعه یافته در رسانه های مختلف ضبط می شود. همین خبر در سیستم عامل های مختلف با تجزیه و تحلیل خرد از حوزه موضوع از چندین راه منتشر شده است. با توجه به ناهمگونی و تنوع ارزیابی احساسات اخبار برای داده های بورس در طی یک دوره خاص ، انتخاب داده های کشورهای توسعه یافته برای پشتیبانی از هدف مطالعه منطقی است.

چشم انداز کامل ما برای دستیابی به هدف بیان شده می تواند از طیف گسترده تر از طریق نمودار شماتیک در شکل 1 مفهوم سازی شود. مطالعه پیشنهادی از داده های اخبار اساسی و مالی برای ساخت مدل استفاده می کند. داده های جمع شده با استفاده از تکنیک min-max نرمال می شوند. مدل های LSTM و GRU با یا بدون استفاده از داده های خبری مالی تهیه شده اند. پس از تنظیم Hyperparameters ، مدل نهایی قیمت بسته شدن شاخص بورس سهام را پیش بینی می کند. مدل نهایی به تعیین اینکه آیا اخبار مالی بر پیش بینی قیمت سهام تأثیر می گذارد ، کمک می کند. در پایان ، کیفیت و استحکام مدل پیشنهادی از طریق نمرات RMSE ، MAPE و R ارزیابی می شود.