یادگیری عمیق برای پیش‌بینی بازار سهام با استفاده از اطلاعات عددی و متنی (رویکرد الگوریتم حافظه کوتاه مدت ماندگارLSTM)

الموضوعات :

سیده مژگان بهشتی مسئله گو ¹ ( گروه مدیریت فناوری اطلاعات، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران )
محمدعلی افشارکاظمی ² ( گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران )
جلال حقیقت منفرد ³ ( گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران )
علی رضاییان ⁴ ( گروه مدیریت دولتی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران )

تاريخ الإرسال : 09 السبت , شعبان, 1443 تاريخ التأكيد : 18 الأحد , ذو الحجة, 1443 تاريخ الإصدار : 04 الخميس , ذو الحجة, 1444

الکلمات المفتاحية: یادگیری عمیق, پیش بینی بازار سهام, پردازش زبان طبیعی, شاخص های فنی, حافظه طولانی کوتاه مدت,

ملخص المقالة :

قیمت سهام تحت تأثیر عوامل بسیاری است،که کار پیش‌بینی را چالش‌برانگیز می‌کند. این پیش‌بینی اگر فقط داده‌های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی‌اثر می‌شود. هدف این پژوهش ارائه یک روش پیش‌بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده‌های قیمت، مجموعه‌ای از شاخص‌های فنی و سر تیتر اخبار به‌عنوان ورودی مدل است. برای این منظور از داده‌های سهام شاخص داوجونز و داده‌های خبری کانال ردیت استفاده شده است. از داده‌های سهام ویژگی‌های مبتنی بر شاخص فنی استخراج می‌شوند و داده‌های خبری توسط روش کوله‌کلمات به بردار ویژگی تبدیل می‌شوند و به شبکه حافظه کوتاه‌مدت ماندگار (LSTM) برای پیش‌بینی داده می‌شوند.از دقت به‌عنوان معیار ارزیابی عملکرد استفاده شده و آزمایش‌هایی بر روی دو مجموعه داده فقط عددی و فقط متنی برای ارزیابی استفاده همزمان دو منبع اطلاعاتی انجام پذیرفته است. همچنین ازسه شبکه ،SVM ، MLPوRNN برای ارزیابی مدل استفاده شده است. نتایج نشان می‌دهد که مدل LSTM بالاترین دقت پیش‌بینی 69.19% را با استفاده از اخبار و داده‌های مالی به دست آورده است. داده‌های خبری با دقت65.62% و داده‌های عددی با دقت51.89% می‌باشند.همچنین مدل LSTMدر مقایسه با شبکه‌های عصبی SVM وMLP و RNN از عملکرد بهتری برخوردار می‌باشد.