30334

تفسير و پيشبيني بازارهاي مالي با استفاده از استخراج اطلاعات از داده‌هاي شبكه اجتماعي توييتر

كارشناسي ارشد

مهندسي كامپيوتر گرايش هوش مصنوعي و رباتيك

1399

1402/7/15

سيد صالح اعتمادي

مهندسي كامپيوتر

در سال‌هاي اخير تعداد زيادي پژوهش‌ در زمينه پيش‌بيني جهت حركت قيمت سهم در بازارهاي مالي با استفاده از الگوريتم‌هاي يادگيري ماشين يا الگوريتم‌هاي يادگيري عميق انجام شده است. تعداد زيادي از اين پژوهش‌ها در كنار داده‌‌هاي قيمتي از اطلاعات مفيد موجود در شبكه‌هاي اجتماعي نيز براي پيش‌بيني استفاده كرده‌اند. امروزه داده‌هاي مختلف مربوط به بازارهاي مالي به راحتي و به صورت عمومي در دسترس مي‌باشند. اين موضوع به پژوهشگران كمك مي‌كند تا بتوانند با استفاده از راه‌هاي مختلف از داده‌هاي موجود در شبكه‌هاي اجتماعي و داده‌هاي قيمتي مربوط به بازارهاي مالي در جهت پيش‌بيني و تحليل بازارهاي مالي استفاده كنند. اكثر اين پژوهش‌ها صرفا از داده‌هاي متني موجود در اين شبكه‌اي اجتماعي بهره برده‌اند. در اين پژوهش‌ها از ديگر داده‌هاي مفيد موجود در شبكه‌هاي اجتماعي صرف نظر شده است. همچنين در اين پژوهش‌ها به ساخت يك بردار يا ماتريس ويژگي مناسب به عنوان ورودي مدل پرداخته نشده است. در نهايت به اين نكته مي‌توان اشاره كرد كه اكثر اين پژوهش‌ها به تفسير پيش‌بيني‌هاي خود نپرداخته‌اند. در اين پژوهش به پيش‌بيني جهت حركت قيمت سهم با استفاده از داده‌هاي قيمتي و تمام داده‌هاي مفيد موجود در شبكه اجتماعي توييتر پرداخته شده است. در اين پژوهش با استفاده از تمام داده‌هاي استخراج شده يك ماتريس ويژگي ساخته شده كه هم توانايي پيش‌بيني را بالاتر برده و هم به تفسير پذيري پيش‌بيني كمك كرده است. سپس با استفاده از دو مدل شبكه عصبي پيچشي و حافظه طولاني كوتاه-مدت به پيش‌بيني بازارهاي مالي پرداخته شده است. نتايج نشان مي‌دهد كه پيش‌بيني با استفاده از ماتريس ويژگي طراحي شده بيشترين صحت را در مقايسه با ديگر مدل‌ها داشته و به صحت 19/61 بر روي سهم اپل، 926/52 بر روي سهم آمازون و 714/60 بر روي سهم تسلا رسيده است. همچنين نتايج به دست آمده از تفسير مدل مي‌تواند اطلاعات بسيار مفيدي درباره اهميت ويژگي‌ها و بازه‌هاي زماني ارائه دهد. اين تفسير نشان مي‌دهد كه تعداد توييت‌هاي زده شده بيشترين اهميت را در پيش‌بيني جهت تغييرات قيمت داشته و همچنين تفسيرها نشان مي‌‌دهند كه توييت‌هاي زده شده در ساعات بسته بودن بازار از اهميت بالاتري برخوردار بوده‌اند.

1402/10/17

Interpreting and predicting financial markets by extracting information from twitter social media data

1/1/1900 12:00:00 AM

In recent years, numerous studies have been conducted on predicting stock price movements in financial markets using machine learning algorithms or deep learning algorithms. Many of these studies have utilized price data alongside valuable information from social networks for prediction. Nowadays, various data related to financial markets are easily and publicly accessible. These facilitates researchers in utilizing different approaches to leverage the available data from social networks and price data to predict and analyze financial markets. Most of these studies have solely focused on textual data available on these social networks, disregarding other valuable data present in social networks. Additionally, these studies have not addressed the construction of an appropriate feature vector or feature matrix as input for the model. Finally, it should be noted that most of these studies have not delved into interpreting their predictions. This study focuses on predicting stock price movements using price data and all the valuable data available on the Twitter social network. In this research, a feature matrix is constructed using all the extracted data, which enhances both prediction accuracy and interpretability. Then, two models, Convolutional Neural Networks and Long Short-Term Memory, are employed for financial market prediction. The results demonstrate that prediction using the designed feature matrix achieves the highest accuracy compared to other models. Furthermore, the interpretation of the model can provide valuable insights into the importance of features and time intervals.

پيشبيني بازارهاي مالي , تفسير مدل‌هاي هوش مصنوعي , توييتر , تجزيه و تحليل احساسات

Financial market prediction , XAI , Twitter , Sentiment analysis

Amirhossein Aminimehr

Seyed Sauleh Etemadi