پیش بینی روند روزانه قیمت سهام با استفاده از متن کاوی احساسات کاربران شبکه اجتماعی و داده کاوی نماگرهای تکنیکال
محورهای موضوعی : دانش سرمایهگذاریکامل ابراهیمیان 1 , ابراهیم عباسی 2 , اکبر عالم تبریز 3 , امیر محمدزاده 4
1 - دانشجوی دکترای مدیریت مالی،گروه مدیریت مالی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2 - دانشیار و عضو هیئت علمی دانشگاه الزهرا، دانشکده علوم اجتماعی و اقتصادی، ده ونک ،تهران، ایران.
3 - استاد، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.
4 - دانشیار، گروه مدیریت مالی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.
کلید واژه: تحلیل احساسات, پیش‌بینی قیمت سهام, علیت گرنجر, الگوریتم‌‌های طبقه بندی,
چکیده مقاله :
ا ین پژوهش به پیش بینی روند آتی قیمت سهام در بازه کوتاه مدت روزانه با استفاده از تحلیل نظرات سرمایه گذاران در شبکه ی اجتماعی سهامیاب می پردازد. قابلیت پیش بینی پذیری بازارهای سهام، به خاطر دارا بودن یک سیستم پیچیده، پویا و غیر خطی همواره از چالش های پژوهشگران بوده است در این تحقیق، برای اولین بار، با تحلیل احساسات نظرات کاربران و ترکیب آن با 22 نماگر تکنیکال به کمک سه الگوریتم درخت تصمیم، بیز ساده و ماشین بردار پشتیبان ،مدلی با دقت 08/72 درصد برای پیش بینی جهت حرکت سهام توسعه یافت و به پیش بینی روند کوتاه مدت سهام پرداخته شد بر اساس نتایج، ماشین بردار پشتیبان، عملکردی بهتر از دو الگوریتم دیگر از خود نشان داد. همچنین مشخص شد حجم معاملات روز آتی و تعداد نظر ها دارای همبستگی معناداری است و نتایج آزمون علیت گرنجر نشان داد می توان برای پیش بینی قیمت سهام، از تجمیع احساسات روزانه کاربران نیز بهره جست.
This study predicts the future movement of stock prices in the short term by using the analysis of investors' opinions on the social network. The predictability of stock markets, due to having a complex, dynamic and nonlinear system that it has always been one of the challenges for researchers. In this research, for the first time, we developed a model with 72.08%accuracy for predicting stock movement and predicting the trend by analyzing the feelings of users' opinions and combining it with 20 technical indicators and we use three data mining algorithms include decision tree, Naïve Bayes and Support Vector Machine. According to the results, the support vector machine showed better performance than the other algorithms. It was also found that the next day trading volume and the number of comments have a significant correlation and the results of Granger causality test showed can be used to predict stock price and also it took advantage of the aggregation of users' daily emotions.
_||_
