تجزیه و تحلیل احساسات بازار

در مدیریت دارایی ، تجزیه و تحلیل احساسات با ارزیابی نظرات شرکت کنندگان در بازار سروکار دارد. این امر از زمینه تأمین مالی رفتاری گرفته شده و تلاش می کند تا درک عمیقی از روانشناسی سرمایه گذاران به دست آورد تا استنتاج در مورد رفتار شرکت کنندگان در بازار انجام شود.

احساسات را می توان به عنوان جمع آوری نظرات همه سرمایه گذاران به یک بازار ، بخش یا یک دارایی صریح درک کرد. علاوه بر روشهای کلاسیک ، مانند تجزیه و تحلیل فنی یا اساسی ، تجزیه و تحلیل احساسات یک مکمل بهینه برای شناسایی درایورهای عملکرد ارائه می دهد. تجزیه و تحلیل احساسات یک زمینه تحقیق و کاربرد نسبتاً جدید در مدیریت دارایی است. با این حال ، به دلیل ظهور عظیم رسانه های اجتماعی و روش های جدید مانند پردازش زبان طبیعی ، در گذشته اخیر در اهمیت بسیار زیادی به دست آورده است!

نشانگرهای احساساتی

مطالعات تجربی بی شماری نشان می دهد که احساسات سرمایه گذاران شاخص خوبی برای تحولات قیمت کوتاه مدت است ، زیرا احساسات تأثیر زیادی در تصمیم گیری انسان دارند. بنابراین ، از دهه 1990 ، شاخص های احساسات بازار در دسترس بوده است که سعی می کنند احساسات سرمایه گذاران را نسبت به کل بازار مانند S& P 500 منعکس کنند.

• ویکس
• نسبت قرار دادن/تماس
• پناهگاه های امن

شاخص نوسانات CBOE (VIX) نوسانات ضمنی گزینه ها در شاخص S& P 500 ایالات متحده را اندازه گیری می کند. سرمایه گذاران گزینه هایی را برای محافظت از نمونه کارها خود خریداری می کنند. اگر فرض کنند که نوسانات در بازار افزایش می یابد ، گزینه های خود را با قیمت گران تر ارائه می دهند و شاخص افزایش می یابد. بنابراین VIX نشانگر خوبی از سطح ترس در بازار است. مقدار VIX بالا نشان می دهد که بازارها ناپایدار هستند. مقدار پایین VIX نشانگر نوسانات قیمت پایین است. VIX همچنین به عنوان فشارسنج ترس نامیده می شود.

نسبت قرار دادن / تماس

نسبت Put/Call یک رویکرد مشابه را ارائه می دهد. این نسبت گزینه های PUT را به گزینه های تماس اندازه گیری می کند. اگر تعداد بیشتری از تماس های گردش خون وجود داشته باشد ، سرمایه گذاران تمایل دارند انتظار داشته باشند که بازار کاهش یابد و برعکس.

پناهگاه های امن

هنگامی که سرمایه گذاران مضطرب هستند ، آنها تمایل دارند پول خود را به منابع سرمایه گذاری احتمالاً ایمن مانند فلزات گرانبها ، اوراق قرضه دولتی یا ارزهای نسبتاً پایدار منتقل کنند. افزایش شدید در چنین دارایی ها اغلب ناشی از ترس سرمایه گذاران مبنی بر پایین آمدن بازار سهام است.

محدودیت چنین اکتشافی

چنین اکتشافی اجازه می دهد تا یک بررسی سریع از احساسات عمومی در بازار داشته باشد. با این حال ، این نیز نکته مهم است. اگر می خواهید اطلاعات مفصلی را در مورد بخش های جداگانه یا دارایی های صریح سرمایه گذاری بدست آورید ، باید از روشهای پیچیده تری استفاده کنید.

NLP در مدیریت دارایی

وضعیت روشهای هنری مانند هوش مصنوعی اجازه می دهد تا نتیجه گیری از احساسات سرمایه گذاران به کل بازارها ، بخش های واحد یا دارایی های صریح سرمایه گذاری در مورد توسعه قیمت آینده خود نتیجه بگیرند. مقدمه ای ساده در مورد موضوع هوش مصنوعی را می توان در پست وبلاگ ما هوش مصنوعی برای مبتدیان یافت. از طریق تجزیه و تحلیل خودکار رسانه های اجتماعی و پست های انجمن ، اخبار موقت ، گزارش های سالانه یا سایر داده های متن و صوتی ، اکنون ما انواع مختلفی از منابع مرتبط را در اختیار داریم. این امر باعث می شود تجزیه و تحلیل احساسات ابزاری به طور فزاینده ای در مدیریت دارایی باشد! با این حال ، مدل های یادگیری ماشین منحصراً بر روی مقادیر عددی کار می کنند. بنابراین اطلاعات ابتدا باید به صورت عددی ارائه شوند تا اصلاً پردازش شوند. چطور کار میکند؟اینجاست که پردازش زبان طبیعی به مرحله اجرا می رسد. ما شما را با رایج ترین روش ها آشنا می کنیم!

NLP چیست؟

پردازش زبان طبیعی (NLP) فرایندی از تجزیه و تحلیل خودکار و بازنمایی متن و گفتار است. از جمله موارد دیگر ، NLP می تواند برای شناسایی قطب های مثبت و منفی در اسناد به منظور استخراج شاخص های احساسات استفاده شود. در اصل ، می توان بین روش هایی که ساختارهای واژگانی و روش هایی را که ساختارهای معنایی را بررسی می کنند ، تمایز قائل شود.

ویژگی های واژگانی

کیف کلمات

ساده ترین روش NLP ، کیسه کلمات است. پس از تهیه اولیه متن ، این رویکرد فرکانس هر کلمه را در یک سند ضبط می کند.

گرام

در این رویکرد ، نه تنها کلمه خاص بلکه زمینه ای که در آن به نظر می رسد می تواند در نظر گرفته شود. به عنوان مثال ، یک گرم یک کلمه را تجزیه و تحلیل نمی کند ، بلکه دو کلمه است. N در N-GRAM مخفف تعداد جفت کلمات مربوطه است که در نظر گرفته می شوند. چرا این امر درک زمینه را آسان تر می کند؟بگذارید به یک مثال ساده نگاه کنیم: اگر فقط به کلمه "بانک" در جمله "من می خواهم پول را در بانک واریز کنم" نگاه کنید ، نتیجه گیری این کار دشوار خواهد بود

معنی کلمهاز این گذشته ، "بانک" بسته به متن ، می تواند مکانی برای نشستن و یک موسسه مالی باشد. با این حال ، اگر کلمه "پول" را نیز در نظر بگیرید ، بهتر می توانید زمینه واقعی را نتیجه بگیرید.

فرهنگ لغت

امکان دیگر تعریف دیکشنری با کلمات و تداعی های مربوط به آنها است. به این ترتیب کلمات می توانند با تداعی های مثبت، خنثی یا منفی مرتبط شوند. یا می توان یک فرهنگ لغت جداگانه برای کار تعریف کرد یا از فرهنگ لغت های موجود و خاص صنعت استفاده کرد.

محدودیت های ویژگی های واژگانی

رویکردهای مبتنی بر ویژگی‌های واژگانی می‌توانند در حوزه‌های کاربردی خاص بسیار مفید باشند. با این حال، هنگامی که متن کاهش می یابد، اطلاعات لزوما از بین می روند. همانطور که در مثال توضیح داده شد، کلمات مشابه می توانند معانی مختلفی داشته باشند. کلمه "بانک" به وضوح به عنوان یک موسسه اعتباری در زمینه بازار مالی تعریف می شود. با این حال، در زمینه فعالیت های معمولی، کلمه "بانک" بیشتر به عنوان مکانی برای نشستن تعریف می شود. برای درک بهتر زمینه، به روش‌هایی نیاز است که ویژگی‌های معنایی را در بر می‌گیرد.

ویژگی های معنایی

جاسازی کلمه

بر اساس فرضیه توزیعی در زبان شناسی، کلماتی که زمینه مشترک دارند، معمولاً معنای مشابهی دارند. بنابراین، بافت کلمات را می توان از طریق تشابهات معنایی و روابط با سایر کلمات شناسایی کرد. این رویکرد مشابه یادگیری انتقالی است. یک مدل بر روی پیکره های متنی مختلف آموزش می بیند و زمینه کلمات را می آموزد. برای تعریف زمینه‌های خاص، مجموعه‌های متنی بزرگ از دامنه مربوطه لازم است. اگر مدل سپس روی یک سند متنی جدید اعمال شود، می تواند زمینه را تکرار کند. در عمل این امر با روش هایی مانند Word2Vec یا Global Vectors (GloVe) امکان پذیر می شود. این الگوریتم‌ها تمام کلمات موجود در مجموعه متن را به صورت بردار نشان می‌دهند و بر اساس فراوانی و کلمات اطراف آن‌ها را در فضایی چندبعدی مرتب می‌کنند به‌گونه‌ای که کلماتی که اغلب در یک بافت مشابه ظاهر می‌شوند نیز بردار مشابهی داشته باشند.

با روش های توصیف شده NLP می توان اطلاعات واژگانی و معنایی را در یک نمایش عددی ارائه کرد. سپس مدل‌های یادگیری ماشینی را می‌توان بر روی این داده‌ها آموزش داد و برای وظایف خاص خود، مانند پیش‌بینی حرکت قیمت سهام، طراحی کرد.

نتیجه

در مدیریت دارایی ، تجزیه و تحلیل احساسات با ارزیابی نظرات سرمایه گذاران به منظور شناسایی مسیر مناسب اقدامات ، سروکار دارد. علاوه بر تجزیه و تحلیل اساسی یا فنی ، یک مکمل بهینه برای شناسایی درایورهای عملکرد ارائه می دهد. برای مدت طولانی ، تجزیه و تحلیل احساسات توسط شاخص های بازار مشخص می شود که منعکس کننده احساسات سرمایه گذاران به کل بازار است. با این حال ، امروزه ، هوش مصنوعی ارزیابی خودکار مجموعه داده های عظیم متن و صوتی و استفاده از آنها را برای پیش بینی حرکات قیمت کل بازارها ، بخش های جداگانه یا دارایی های صریح امکان پذیر می کند. برای این منظور ، اطلاعات ابتدا باید به یک نمایش عددی تبدیل شوند تا مدل های یادگیری ماشین بتوانند آن را پردازش کنند. اینجاست که پردازش زبان طبیعی به مرحله اجرا می رسد. با روش های شرح داده شده ، هزاران پیام متنی از رسانه های اجتماعی یا پست های انجمن ، گزارش های سالانه یا سایر داده های متن یا صوتی را می توان به طور خودکار مورد تجزیه و تحلیل قرار داد و برای شناسایی سیگنال های معاملاتی سهام استفاده کرد. با توجه به افزایش عظیم داده های موجود (داده های بزرگ) و قدرت محاسبات و همچنین امکانات جدید با استفاده از پردازش زبان طبیعی ، تجزیه و تحلیل احساسات بیشتر و مهمتر می شود!