بررسی توانایی نظرات کاربران شبکه های اجتماعی بر پیش بینی جهت و قیمت سهام در بورس اوراق بهادار تهران
محورهای موضوعی : دانش سرمایهگذاریرضا راعی 1 , سید فرهنگ حسینی 2 , مائده کیانی هرچگانی 3
1 - استاد مالی دانشگاه تهران
2 - دانشجوی دکتری مالی دانشگاه تهران (نویسنده مسئول)
3 - کارشناس ارشد مدیریت مالی
کلید واژه: شبکه اجتماعی, پیش بینی جهت سهام, پیش بینی قیمت سهام, شبکه عصبی,
چکیده مقاله :
با توجه به نقش روزافزون شبکه های اجتماعی در بازار سرمایه، بررسی توانایی و اثربخشی آن در جهت و قیمت سهام می تواند برای سرمایه گذاران مفید باشد. جایگاه اصلی این تحقیق در بررسی حرکت توده وار بر اساس پیشنهادهای خرید و فروش در شبکه اجتماعی با استفاده از شبکه عصبی می باشد. این تحقیق دردوره زمانی ابتدای تیرماه 1392 تاانتهای خردادماه 1393 (یکسال) می باشد و با توجه به شرایط بازار سرمایه دو دوره رکود و رونق بررسی شده است. به منظور دسترسی به داده های کافی و همچنین تواتر معاملات ، نمونه انتخابی ده شرکت از 50 شرکت فعال بورس و همچنین ده نمادی که بیشترین تعداد پست و نظر را در شبکه اجتماعی داشته اند انتخاب گردیده اند. این تحقیق دردوبخش پیش بینی جهت و قیمت سهام با داده های قیمت در مقایسه با ترکیب داده های قیمت و پیشنهادهای خرید و فروش شبکه های اجتماعی است. برای پیش بینی از شبکه عصبی مصنوعی پیش خور و بهینه سازی شبکه با 3 تا 10 وقفه و یک لایه پنهان تا 20 نرون استفاده شده است. نتایج نشان داده است که در پیش بینی قیمت سهام در دو روش تفاوت معنی داری وجود ندارد اما در پیش بینی جهت قیمت سهام با استفاده از قیمت سهام و پیشنهادهای خرید و فروش (ترکیب داده های قیمت و شبکه اجتماعی) نسبت به پیش بینی فقط با قیمت سهام در دوره رونق برای شرکت های پربیننده و در دوره رکود برای 10سهم فعال تفاوت معنی داری وجوددارد.
Examining the ability and efficiency of social network on price and direction of stock price is important, because of social network boom. In this research, we observe the herding behavior based on buy and sell offer in one of the Iranian social network (sahamyab.com) using neural network. The duration of research between July 2013to June 2014(1year) and based on TSE is divided to period of bull and bear market. The sample is selected on two hypotheses, ten symbols from active stocks listed by TSE and another ten symbol from most viewed and active on social network. This research done on two parts: direction forecast and price forecast. Historical price and buy/sell offer in social network with 3 to 10 lags used. Feed forward neural network (FFNN) with 3 to 10 data lags and 1 hidden layer and up to twenty neuron used to find optimal network and used to forecast. In price forecast, there is no significant difference, But in directional of stock price forecast, we found that it's significant for most viewed share in bull market and for active share in bear market.
* انقیاد، هادی (1388)، "استفاده از شبکه عصبی مصنوعی (ANN) جهت مدلسازی کوتاه مدت شاخص قیمت سهام (TEPIX)" پایان نامه کارشناسی ارشد، دانشگاه آزاد واحد علوم و تحقیقات تهران.
* سعیدی.علی، فرهانیان. سیدمحمد جواد، (1390)، مبانی اقتصاد و مالی رفتاری، تهران، شرکت اطلاع رسانی و خدمات بورس
* راعی . رضا ، چاوشی . کاظم ، (1382 ) ، پیش بینی بازده سهام در بورس اوراق بهادار : مدل شبکه های عصبی مصنوعی و مدل چند عاملی ، مجله تحقیقات مالی ، دوره 5 ، شماره 1 ، بهار و تابستان 1382
* متوسلی . محمود ، طالب کاشفی . بیژن ، (1385) ، بررسی مقایسه ای توان شبکه های عصبی با ورودی شاخص های تحلیل تکنیکی برای پیش بینی قیمت سهام ، نامه مفید ، شماره 54 ، تیر 1385
* Baker, H. K., &Nofsinger, J. R. (Eds.). (2010). Behavioral finance: investors, corporations, and markets (Vol. 6). John Wiley & Sons.
* Bikhchandani, S., & Sharma, S. (2000). Herd behavior in financial markets. IMF Staff papers, 279-310.
* Bollen, J., Mao, H., &Zeng, X. (2011). Twitter mood predicts the stock market.Journal of Computational Science, 2(1), 1-8.
* Geva, T., &Zahavi, J. (2014). Empirical evaluation of an automated intraday stock recommendation system incorporating both market data and textual news. Decision Support Systems, 57, 212-223.
* Hirshleifer, D., & Hong Teoh, S. (2003). Herd behaviour and cascading in capital markets: A review and synthesis. European Financial Management, 9(1), 25-66.
* Li, Q., Wang, T., Li, P., Liu, L., Gong, Q., & Chen, Y. (2014). The effect of news and public mood on stock movements. Information Sciences, 278, 826-840.(b)
* Li, X., Xie, H., Chen, L., Wang, J., & Deng, X. (2014). News impact on stock price return via sentiment analysis. Knowledge-Based Systems.
* Nagar, A., &Hahsler, M. (2012). Using Text and Data Mining Techniques to extract Stock Market Sentiment from Live News Streams. International Proceedings of Computer Science & Information Technology, 47.
* Neubeck, K. J., &Glasberg, D. S. (2004). Sociology: Diversity, conflict, and change. Recording for the Blind & Dyslexic.
* Nofsinger, J. R. (2005). Social mood and financial economics. The Journal of Behavioral Finance, 6(3), 144-160.
* Oliveira, N., Cortez, P., & Areal, N. (2013). On the Predictability of Stock Market Behavior Using StockTwits Sentiment and Posting Volume. In Progress in Artificial Intelligence (pp. 355-365). Springer Berlin Heidelberg.
* Qiu, L., Rui, H., &Whinston, A. (2013). Social network-embedded prediction markets: The effects of information acquisition and communication on predictions. Decision Support Systems, 55(4), 978-987.
* Ruiz, E. J., Hristidis, V., Castillo, C., Gionis, A., &Jaimes, A. (2012, February). Correlating financial time series with micro-blogging activity. In Proceedings of the fifth ACM international conference on Web search and data mining (pp. 513-522). ACM.
* Sarle, W.S., (1997), "Neural network FQA, part 1 of 7: introduction". Retrieved june 2003, from periodic posting to the usenetnewgroupcomp.si.neural-nets, fttp://ftp.sas.com/pub/neural/FQA.html.
* Shepard, J. M. (2012). Cengage Advantage Books: Sociology. Cengage Learning.
* Zirilli, J.S, (1997), "Financial prediction using neural network", uk:international Thomson publishing