دارنده پروانه شرکت تولیدی در اینچ, بازل, سویس. این مقاله یک مقاله دسترسی باز تحت شرایط و ضوابط انتساب کریتیو کامنز توزیع شده است (سی سی توسط) مجوز (https://creativecommons. org/licenses/by/4.0/).
چکیده
تعیین حرکت قیمت سهام به دلیل عواملی مانند عملکرد صنعت یک مشکل چالش برانگیز است, متغیرهای اقتصادی, احساسات سرمایه گذار, اخبار شرکت, عملکرد شرکت, و احساسات رسانه های اجتماعی. مردم می توانند حرکت قیمت سهام با استفاده از الگوریتم های یادگیری ماشین بر روی اطلاعات موجود در داده های تاریخی پیش بینی, سهام داده شمعی نمودار, و داده های رسانه های اجتماعی. با این وجود پیش بینی حرکت سهام بر اساس یک طبقه بندی کننده دشوار است. در این مطالعه ما یک شبکه مشارکتی چند کاناله را با استفاده از داده های شمعدان و رسانه های اجتماعی برای پیش بینی روند سهام پیشنهاد کردیم. ما ابتدا ویژگی های احساسات رسانه های اجتماعی را با استفاده از ابزار زبان طبیعی و داده های تجزیه و تحلیل احساسات از توییتر استخراج کردیم. سپس داده های سری زمانی تاریخی سهام را به یک نمودار شمعی تبدیل کردیم تا الگوهای جنبش سهام را روشن کنیم. سرانجام, ما یکپارچه ویژگی های تمایلات سهام و نمودار شمعی خود را برای پیش بینی جنبش قیمت سهام بیش از 4-, 6-, 8-, و 10 روز دوره های زمانی. شبکه مشارکتی ما از دو شاخه تشکیل شده بود: شاخه اول شامل یک شبکه عصبی کانولوشن یک بعدی (سی ان ان) بود که طبقه بندی احساسات را انجام می داد. شاخه دوم شامل یک سی ان ان دو بعدی (2 بعدی) بود که طبقه بندی تصویر را بر اساس داده های نمودار شمعدان 2 بعدی انجام می داد. ما مدل خود را برای پنج سهام با تقاضای بالا ارزیابی کردیم و مشخص کردیم که شبکه مشارکتی ما به نتایج امیدوار کننده ای دست یافته و در مقایسه با مدل های تک شبکه تنها با استفاده از داده های احساسی یا نمودارهای شمعدان به طور مطلوب مقایسه شده است. روش پیشنهادی با دقت 38/75 درصد برای سهام اپل مطلوب ترین عملکرد را کسب کرد. ما همچنین دریافتیم که پیش بینی قیمت سهام در دوره های زمانی طولانی تر در مقایسه با دوره های زمانی کوتاه تر به عملکرد مطلوب تری دست یافته است.
1. مقدمه
بازار سهام یک موضوع مهم در زندگی مدرن است. سرمایه گذاران می توانند به راحتی سهام جدید خریداری کرده و از سود سهام مندرج در برنامه پاداش شرکت برای سهامداران سود قابل توجهی کسب کنند. سرمایه گذاران همچنین می توانند سهام خود را با معامله گران دیگر در بازار سهام از طریق کارگزاری سهام و سیستم عامل تجارت الکترونیکی تجارت. معامله گران سهام مایل به خرید سهام با ارزش هایی هستند که انتظار می رود افزایش یابد و فروش سهام با ارزش هایی که انتظار می رود کاهش یابد. از این رو, معامله گران سهام باید قادر به پیش بینی روند رفتار سهام قبل از ساخت یک تصمیم تجاری برای خرید و یا فروش سهام. پیش بینی دقیق تر در مورد رفتار سهام این است که سود بیشتری کسب می کنند. بنابراین ایجاد یک الگوریتم خودکار که بتواند روند بازار را به طور دقیق پیش بینی کند تا به معامله گران در به حداکثر رساندن سود کمک کند ضروری است. با این حال, تعیین روند بازار سهام به دلیل عواملی مانند عملکرد صنعت یک مشکل چالش برانگیز است, اخبار شرکت, عملکرد شرکت, احساسات سرمایه گذار, متغیرهای اقتصادی, و احساسات رسانه های اجتماعی.
با توجه به فرضیه بازار کار فاما [1] سرمایه گذاری در بازار سهام شامل ریسک است و امکان کسب مزیت سرمایه گذاران با خرید سهام کم ارزش یا فروش سهام با قیمت متورم وجود ندارد. برای جلوگیری از سهام در معرض خطر و امن سود بالاتر, یک معامله گر سهام تنها یک وسیله ارزیابی عملکرد یک شرکت قبل از خرید سهام خود را. با توسعه پیشرفت های تکنولوژیکی, یادگیری عمیق—به خصوص شبکه های عصبی کانولوشن (سی ان ان)—عملکرد مطلوب در طیف وسیعی از زمینه های تحقیقاتی به نمایش گذاشته است [2,3,4,5,6,7,8,9,10,11,12,13,14,15]. بسیاری از محققان یادگیری عمیق را به سوال پیش بینی بازار سهام اعمال کرده اند. روش های مختلفی برای پیش بینی بازار سهام وجود دارد, مانند تجزیه و تحلیل شاخص های داده های سری زمانی تاریخی [16,17,18,19,20], و یا با استفاده از نمودار شمعی تبدیل شده از داده های تاریخی [21,22,23,24,25,26], و یا تجزیه و تحلیل رسانه های اجتماعی [27,28,29,30,31,32], و یا تجزیه و تحلیل اخبار مالی [21,22,23,24,25,26] [33,34,35,36]. با این حال, با استفاده از یک طبقه بندی کننده واحد ممکن است حداکثر عملکرد در مقایسه با استفاده از طبقه بندی ترکیبی دست یابد. طبقه بندی کننده های مختلف را می توان با استفاده از روش های گروهی در یادگیری ماشین برای بهبود دقت پیش بینی طبقه بندی کننده های فردی ترکیب کرد. در این مطالعه ما یک چارچوب جدید برای پیش بینی بازار سهام پیشنهاد کردیم که شامل هر دو نمودار شمعدان و تجزیه و تحلیل احساسات داده های رسانه های اجتماعی به عنوان عوامل داخلی و خارجی است. به دانش ما, این مطالعه برای اولین بار به ادغام نمودار شمعی و داده های احساسات از رسانه های اجتماعی به منظور پیش بینی سهام است.
زیرا داده های رسانه های اجتماعی داده های متنی از توییت ها و داده های نمودار شمعدان شامل تصاویر رنگی هستند, اطلاعات قبل از اینکه در یک شبکه مشترک گنجانده شود نیاز به استخراج و پردازش دارد. برای دادههای رسانههای اجتماعی از جعبه ابزار زبان طبیعی برای تحلیل احساسات محتوای توییتها استفاده شد. ما توییت های هرزنامه و اطلاعات بی ربط را حذف کردیم تا به مدل ما در دستیابی به ویژگی های دقیق نمره احساسات کمک کنیم. داده های نمودار شمعدان توسط ماژول مالی مالی [37] با استفاده از چهار ویژگی (باز, زیاد, کم, و نزدیک) داده های سری زمانی تاریخی. داده ها از نمودار شمعی قبل از اینکه ورودی به یک سی ان ان برای استخراج از ویژگی های داخلی نرمال شد. یک شبکه چند شاخه ای برای ترکیب ویژگی های رسانه های اجتماعی و داده های نمودار شمعی طراحی شده است. خروجی این شاخه ها در یک لایه متراکم متصل شد. لایه نهایی شبکه چند شاخه ای شامل دو نورون بود تا روند سهام را به عنوان افزایش یا کاهش در کوتاه مدت طبقه بندی کند.
به طور خلاصه این مطالعه مشارکت های زیر را انجام می دهد:
ما از یک سی ان ان 1 بعدی (1 بعدی-سی ان ان) استفاده کردیم که عملکرد مطلوبتری نسبت به یادگیری ماشین سنتی و مدل های حافظه کوتاه مدت بلند برای پیش بینی روند سهام بر اساس داده های رسانه های اجتماعی داشت.
ما یک شبکه جدید یادگیری عمیق مشترک برای پیش بینی قیمت سهام پیشنهاد کردیم. ویژگی های اصلی ویژگی های سهام داخلی (نمودار شمعدان) و احساسات خارجی (رسانه های اجتماعی) گنجانیده شده است که به بهبود دقت پیش بینی حرکت قیمت سهام کمک می کند.
ما یک معیار سطح دقت جدید برای مقایسه محدوده دقت بین مدل های طبقه بندی برای پیش بینی روند سهام فرموله کردیم.
ما مشاهده کردیم که پیش بینی حرکت قیمت برای "سهام با تقاضای بالا" در بلند مدت به عملکرد مطلوب تری دست یافت.
در ادامه این مقاله ابتدا ادبیات مرتبط را در بخش 2 مرور می کنیم. سپس روش خود را در بخش 3 توضیح می دهیم. بخش 4 ارزیابی های تجربی را نشان می دهد و در نهایت مقاله را در بخش 5 به پایان می رسانیم.
2. کارهای مرتبط
بسیاری از محققان مدل های پیش بینی مختلفی را برای پیش بینی بازار سهام ایجاد کرده اند تا به معامله گران در تصمیم گیری صحیح در مورد سهام خود کمک کنند. که در 1990, ش نبورگ [38] انجام یک مطالعه در بازار سهام. معماری یادگیری ماشین با انتشار پشتی بر اساس داده های سری زمانی تاریخی ساخته شده است. که در 2007, خوا [39] پیشنهاد یک شبکه عصبی به سادگی مکرر برای پیش بینی سهام و به این نتیجه رسیدند که این شبکه عصبی به سادگی مکرر دستیابی به نتایج بهتر در مقایسه با شبکه های عصبی انتشار تماس با توجه به "قابلیت گرفتن خود را."او و وانگ [20] از بازار سهام هنگ کنگ برای ساخت یک مدل پیش بینی بازار سهام با ده الگوریتم یادگیری ماشین استفاده کردند. نتایج نشان داد که اس ام اس و اس اس اس ام عملکرد بهتری نسبت به سایر روش ها دارند. در سال 2016 چن روش های نمایش ویژگی های مسطح و شبکه های عصبی پیچشی عمیق را برای بهبود چارچوب تجارت الگوریتمی پیشنهاد کرد [40].
در دهه گذشته تجزیه و تحلیل احساسات انجام شده است اهمیت زیادی به دلیل مقدار زیادی از داده های متنی در اخبار و رسانه های اجتماعی سیستم عامل. است مقدار قابل توجهی از تحقیقات در نظرات معدن از کاربران برای مناطق مختلف برنامه وجود دارد [41,42,43,44,45]. علی تجزیه و تحلیل احساسات را برای شناسایی نهادهای حمل و نقل در مجموعه بزرگ انجام داد [42] و برای تشخیص تصادفات رانندگی برای کاهش صدمات جدی [43]. بصیری یک روش تحلیل احساسات را در مجموعه داده های توییتر با استفاده از مدل دیپ سی ان ان ان دو طرفه مبتنی بر توجه پیشنهاد کرد [44]. لی [45] یک واحد عاطفی عاطفی دو طرفه را برای کاوش در احساسات در گفتگو پیشنهاد کرد. برخی از محققان با استفاده از همین روند برای پیش بینی سهام شروع به استفاده از تجزیه و تحلیل احساسات برای تجزیه و تحلیل حرکات بازار سهام کرده اند. جی بولن در سال 2011 یک روش تجزیه و تحلیل احساسات را برای پیش بینی حرکت بازار سهام میانگین صنعتی داو جونز بر اساس سایت معروف میکروبلاگینگ توییتر پیشنهاد کرد. خاتری و سریواستاوا [[30] بررسی رابطه بین احساسات متن از توییت, نظرات در وب سایت سهام پیچ و تاب, و قیمت سهام فیس بوک, سیب, گوگل, اوراکل, و سهام مایکروسافت از یاهو مالی. در سال 2017 اورولاگین از یک طبقه بندی کننده اسوی ام برای انجام طبقه بندی احساسات و پیش بینی وضعیت بازار سهام بر اساس داده های قیمت سهام از امور مالی یاهو و داده های رسانه های اجتماعی از توییتر استفاده کرد [27]. او ارتباط بین ویژگی های توییت و قیمت سهام یک شرکت را بررسی کرد. چندی نگذشت که چاکرابورتی مدل پیش بینی حرکت بازار سهام را بر اساس احساسات توییت ها از سهام اپل وارز پیشنهاد کرد [28]. برای طبقهبندی احساسات از طبقهبندی کننده اسویام استفاده شد و مدل پیشبینی حرکت سهام با استفاده از درخت رگرسیون تقویت شده تربیت شد. که در 2020, خان [46] استفاده الگوریتم در رسانه های اجتماعی و اخبار مالی داده ها برای کشف تاثیر هر دو داده ها در جنبش سهام.
بسیاری از محققان روش های مختلفی برای نزدیک شدن به داده های سهام پیدا کرده اند. نمودارهای شمعدان برای تجسم قیمت روزانه و حرکت بازار سهام استفاده شده است. در سال 2013 پرادو از شانزده الگوی شمعدان برای پیش بینی حرکت سهام سهام برزیل استفاده کرد [26]. تسای نمودارهای شمعدان را با هفت بافت مختلف مبتنی بر موجک ترکیب کرد تا حرکت سهام را پیش بینی کند [22]. که در 2017, هو به کار یک رمزگذار کانولوشن برای یادگیری الگوهای نمودار شمعی برای ساخت یک سیستم تصمیم گیری برای بازار سهام. کار قبلی ما [21] یک شبکه عصبی پیچشی عمیق برای پیش بینی بازار سهام بر اساس نمودارهای شمعدان برای دو بازار سهام مختلف (تایوان50 و هند و 10) پیشنهاد کرد. در سال 2020 بیروگول [25] از یک سیستم تشخیص اشیا در زمان واقعی (یولو) برای تشخیص اشیا خرید و فروش در نمودارهای شمعدان 2 بعدی استفاده کرد. چندی نگذشت که هونگ [24] یک چارچوب پیش بینی کننده عمیق برای حرکت قیمت بر اساس نمودارهای شمعدان پیشنهاد کرد. او یک کدگذار خودکار سی ان ان را برای دستیابی به بهترین نمایش زیر نمودار بررسی کرد و از شبکه های عصبی مکرر برای پیش بینی حرکت قیمت سهام استفاده کرد.
بر خلاف روش های موجود, ما نه تنها در تجزیه و تحلیل احساسات از پست های رسانه های اجتماعی تکیه و یا کشف الگوهای در نمودار شمعی. در این مطالعه یک شبکه مشترک با ترکیب نمودارهای شمعدان و داده های رسانه های اجتماعی برای پیش بینی حرکت سهام پیشنهاد شده است. به دانش ما این اولین مطالعه برای استفاده از هر دو نمودار شمعدان و داده های احساسات اجتماعی برای پیش بینی قیمت سهام است. استفاده از هر دو نوع داده در پیش بینی روند سهام موثرتر است زیرا هر دو نوع داده می توانند تغییر کنند و بر حرکات قیمت سهام و تصمیمات معامله گران تاثیر بگذارند.
3. رویکرد
در این بخش یک چارچوب چند کاناله مشترک برای پیش بینی حرکت سهام معرفی می کنیم. این بخش به شرح زیر سازماندهی شده است: ابتدا تجزیه و تحلیل احساسات برای پیش بینی روند سهام را در بخش 3.1 معرفی می کنیم. سپس نسل نمودار شمعدان و شبکه شعبه خود را برای حرکت قیمت سهام در بخش 3.2 توصیف می کنیم. سرانجام, ما در حال حاضر یک شبکه مشترک ترکیب تمام ویژگی های از تجزیه و تحلیل احساسات و نمودار شمعی است که کمک می کند تا به بهبود عملکرد پیش بینی در بخش 3.3. بخش 3.4 اقدامات عملکردی مورد استفاده برای ارزیابی عملکرد مدل طبقه بندی ما را معرفی می کند. شکل 1 معماری چارچوب پیش بینی سهام ما را نشان می دهد.