-
شماره ركورد
31868
-
پديد آورنده
حميد مرادي كمالي
-
عنوان
بهبود كارايي الگوريتم‌هاي معاملاتي در بازار رمزارزها به كمك تحليل داده‌هاي متني
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي نرم‌افزار
-
سال تحصيل
1400
-
تاريخ دفاع
1403/07/15
-
استاد راهنما
رضا انتظاري ملكي
-
استاد مشاور
-
-
دانشكده
مهندسي كامپيوتر
-
چكيده
مدل‌هايمدل‌هاي زباني به يكي از روش‌هاي اصلي استخراج اطلاعات از متون مالي تبديل شده‌اند. روش‌هاي سنتي تحليل احساسات كه متون را به دسته‌هاي صعودي، نزولي، و خنثي طبقه‌بندي مي‌كنند، اغلب محدوديت‌هاي زماني و مرزهاي سود و زيان را در نظر نمي‌گيرند و براي معاملات الگوريتمي كارايي لازم را ندارند. اين پايان‌نامه يك روش نوآورانه براي طبقه‌بندي متون مالي ارائه مي‌دهد كه با برچسب‌گذاري بازارمحور، قادر به پيش‌بيني حركات كوتاه‌مدت بازار و ارائه سيگنال‌هاي معاملاتي در بازار بيت‌كوين است. همچنين، از طريق مهندسي پرسش، اطلاعات قيمتي و زماني به متن‌ها اضافه شده تا مدل زباني از اطلاعات بازار هدف در هنگام پيش‌بيني مطلع باشد. اهميت اين يافته در اين است كه معمولاً مدل‌هاي زباني نه تنها به تنهايي توانايي پيش‌بيني بازار را ندارند، بلكه گاهي در تركيب با مدل‌هاي بر پايه قيمت نيز بهبود زيادي ايجاد نمي‌كنند. در نتيجه مدل پيشنهادي مي‌تواند به عنوان جايگزيني براي تحليل متون مالي با هدف بهبود كارايي الگوريتم‌هاي معاملاتي استفاده شود. روش پيشنهادي با استفاده از توييت‌هاي مربوط به بازار بيت‌كوين از سال‌هاي 2015 تا 2023 ارزيابي شد. نتايج نشان داد كه مدل‌هاي مبتني بر احساسات هيچگونه قدرت پيش‌بيني در تشخيص روند كوتاه‌مدت بازار ندارند، اما مدل‌هاي پيشنهادي در پيش‌بيني روندهاي كوتاه‌مدت عملكرد بهتري داشتند. مدل تنظيم‌شده در مجموعه داده‌اي با 227 رويداد مهم بيت‌كوين، امتياز F1 معادل 80.3٪ كسب كرد و افزودن اطلاعات مربوط به بازار دقت پيش‌بيني‌ها را بهبود بخشيد. پيش‌آزمون سيگنال‌هاي معاملاتي نشان داد كه روش پيشنهادي عملكرد معاملاتي را نسبت به الگوريتم‌هاي معيار بهبود داده و در شرايط نامطمئن از سيگنال‌هاي بيش‌ازحد تهاجمي جلوگيري مي‌كند. اين روش در بازارهاي صعودي به نسبت شارپ 5.10 و در بازارهاي خنثي به 3.76 دست يافت. اين يافته‌ها بر اهميت برچسب‌هاي اختصاصي بازار و مهندسي پرسش در بهره‌گيري از مدل‌هاي زباني براي پيش‌بيني بازارهاي مالي تأكيد دارد و رويكردي قوي‌تر نسبت به تحليل احساسات سنتي براي معاملات الگوريتمي ارائه مي‌دهد.
-
تاريخ ورود اطلاعات
1403/10/19
-
عنوان به انگليسي
Improving Trading Algorithms Performance in the Cryptocurrency Market with Explainable Textual Data Analysis
-
تاريخ بهره برداري
10/6/2025 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
حميد مرادي كمالي
-
چكيده به لاتين
Investor sentiment analysis has emerged as a popular approach to extracting actionable insights from
financial text, leveraging advances in language models. To infer market movements, traditional sentiment analysis often categorizes text as bullish, bearish, or neutral. Still, these classifications lack
precision, overlooking critical constraints like time horizons and profit-and-loss thresholds essential for algorithmic trading. This thesis introduces a novel end-to-end language-based approach
that is capable of generating profitable signals, in the Bitcoin market. it achieves this by annotating tweets based on short-term market reactions, addressing the limitations of traditional sentiment
labels. prompt engineering enhanced textual inputs with market and temporal context, incorporating features such as price changes and time references. The proposed approach was evaluated on
Bitcoin data, including in-sample tweets from 2020 and out-of-sample datasets from 2015–2023.
Results show that market-driven labels significantly outperform sentiment-based methods in short-
term trend prediction, with the fine-tuned model achieving an F1 score of 80.3% on a dataset of
227 impactful Bitcoin events. Adding contextual information further boosted accuracy. Backtests
of trading signals aggregated from model predictions demonstrated robust performance, achieving
Sharpe ratios of up to 5.10 in trending markets and 3.76 in neutral markets, while reducing aggressive signals in uncertain scenarios. These findings highlight the effectiveness of market-specific
labels and context-aware prompts in leveraging language models for financial forecasting and algorithmic trading strategies, offering a paradigm shift toward more precise and actionable market
predictions.
-
كليدواژه هاي فارسي
الگوريتم‌هاي معاملاتي , بازارهاي مالي , تحليل داده‌هاي مالي , تحليل احساسات
-
كليدواژه هاي لاتين
Trading Algorithms , Financial Markets , Textual Data Analysis , Sentiment Analysis
-
Author
Hamid Moradi Kamali
-
SuperVisor
Dr. Reza Entezari-Maleki
-
لينک به اين مدرک :
