پیش بینی احساسات متن مالی: یک معاینه تجربی

بازار سهام همیشه برای سرمایه گذاران مختلف سودآور بوده است. اما ، به دلیل ماهیت سوداگرانه ، پیش بینی حرکت قیمت دشوار است. سرمایه گذاران برای پیش بینی قیمت ها از تجزیه و تحلیل اساسی و فنی استفاده کرده اند. تجزیه و تحلیل اساسی به مطالعه داده های ساختاری شرکت کمک می کند. تجزیه و تحلیل فنی به مطالعه روند قیمت کمک می کند و با افزایش و در دسترس بودن آسان داده های بدون ساختار ، مطالعه احساسات بازار را مهم کرده است. احساسات بازار در کوتاه مدت تأثیر عمده ای بر قیمت ها دارد. از این رو ، هدف این است که احساسات بازار را به موقع و مؤثر درک کنیم.

طراحی/روش شناسی/رویکرد

این تحقیق شامل استخراج متن و سپس ایجاد مدل های مختلف برای طبقه بندی است. دقت این مدل ها با استفاده از ماتریس سردرگمی بررسی می شود.

یافته ها

از میان شش تکنیک یادگیری ماشین که برای ایجاد مدل طبقه بندی استفاده می شود ، دستگاه بردار پشتیبانی هسته بالاترین دقت 68 ٪ را نشان داد. این مدل اکنون می تواند برای تجزیه و تحلیل توییت ها ، اخبار و داده های مختلف دیگر بدون ساختار برای پیش بینی حرکت قیمت استفاده شود.

اصالت/ارزش

این مطالعه به سرمایه گذاران کمک می کند تا یک خبر یا صدای جیر جیر را به سرعت "مثبت" ، "منفی" یا "خنثی" طبقه بندی کرده و روند قیمت سهام را تعیین کنند.

کلید واژه ها

• بازارهای مالی
• استخراج متن
• تجزیه و تحلیل احساسات
• تکنیک های طبقه بندی
• تجزیه و تحلیل پیش بینی کننده

استناد

ناشر

انتشارات زمرد محدود

کپی رایت © 2022 ، Ruchi Kejriwal ، Monika Garg و Gaurav Sarin.

مجوز

منتشر شده در Vilakshan - مجله مدیریت XIMB. منتشر شده توسط انتشارات زمرد محدود. این مقاله تحت مجوز Creative Commons Attribution (CC با 4. 0) منتشر شده است. هر کسی ممکن است آثار این مقاله (برای اهداف تجاری و غیر تجاری) را تولید کند ، توزیع ، ترجمه کند و ایجاد کند. شرایط کامل این مجوز شاید در http://creativeecommons. org/licences/by/4. 0/legalcode دیده شود

معرفی

بورس اوراق بهادار یک بازار یا بستری است که سهام شرکت های مختلف دارای لیست عمومی در دسترس و خرید و فروش است. قیمت سهام را می توان با عوامل مختلف تعیین کرد. یکی از معیارهای اصلی تقاضا و عرضه است. مبادلات مختلف بورس وجود دارد و توسط برخی از نهادهای نظارتی کنترل می شود. در هند ، بورس اوراق بهادار بمبئی (BSE) و بورس اوراق بهادار ملی (NSE) توسط هیئت اوراق بهادار و بورس هند (SEBI) تنظیم می شود. به همین ترتیب ، در ایالات متحده آمریکا ، بورس اوراق بهادار نیویورک (NYSE) و NASDAQ توسط کمیسیون اوراق بهادار و بورس (SEC) تنظیم می شوند. سرمایه گذاران برای بازده بالاتر در بازارهای سهام سرمایه گذاری می کنند ، اما عوامل مختلفی وجود دارد که بر بازار تأثیر می گذارد و باعث بی ثبات و در نتیجه خطرناک می شود. به غیر از عرضه و تقاضا ، عوامل مختلفی که بر بازار سهام تأثیر می گذارد ، عوامل مرتبط با شرکت ، نرخ بهره ، سیاست ، نرخ ارز ، احساسات و غیره است. بازار شامل خطرات است ، اگرچه خطر از بین نمی رود ، اما می توان آن را به حداقل رساند. این خطر را می توان با درک بازار و تجزیه و تحلیل لازم کنترل کرد. سرمایه گذاران به طور کلی بازار را برای کاهش ریسک تجزیه و تحلیل می کنند ، که می تواند از طریق تجزیه و تحلیل اساسی یا تجزیه و تحلیل فنی انجام شود. بازار توسط سرمایه گذاران بر اساس اصول مورد تجزیه و تحلیل قرار می گیرد ، که نشان دهنده عملکرد تجارت یا شاخص های فنی است که معمولاً مبتنی بر احساس و احساسات است. از شاخص های فنی برای تجزیه و تحلیل روند و حرکات قیمت کوتاه مدت برای کسب سود استفاده می شود. این روندها غالباً تحت تأثیر احساسات بازار قرار می گیرند ، و درک این احساسات برای کسب سود بهتر لازم است. احساسات بازار نگرش جمعی یا روانشناسی سرمایه گذاران نسبت به بازار مالی است که قیمت دارایی ها را تعیین می کند. احساسات بازار یا صعودی یا نزولی است. گفته می شود وقتی اقتصاد بهتر عمل می کند و قیمت سهام در حال افزایش است ، بازار صعودی است و گفته می شود که وقتی اقتصاد به دلایل مختلفی تحت تأثیر قرار می گیرد ، بازار نزولی است و قیمت سهام شروع می شود. همچنین ، به دلیل افزایش سریع داده های بدون ساختار به همراه اهمیت احساسات بازار ، تجزیه و تحلیل احساسات مالی برای گرفتن تصمیمات آگاهانه و بهتر ضروری می شود. داده های بدون ساختار از طریق نامه های الکترونیکی ، پست های وبلاگ ، کانال های رسانه های اجتماعی ، نظرات و غیره جمع آوری می شود.

تجزیه و تحلیل احساسات ریز: در این ، متن به عنوان "مثبت" ، "منفی" و "خنثی" طبقه بندی می شود.

تشخیص احساسات: این به تشخیص احساسات مختلف مانند خوشبختی ، عصبانیت ، شوک ، سرخوردگی و غیره کمک می کند.

تجزیه و تحلیل مبتنی بر قصد: از آن برای درک یک هدف در پشت متن برای انجام اقدامات اصلاحی استفاده می شود. بگویید ، اظهارنظر در مورد تحویل محصول دانشکده ، شرکت را ملزم به تبادل محصول یا ارائه خدمات می کند.

تجزیه و تحلیل مبتنی بر جنبه: این به درک مؤلفه خاص متن ذکر شده کمک می کند. فرض کنید شکایت مشتری در مورد کیفیت صدای ضعیف یک تلویزیون ، فقط سیستم صوتی نیاز به توجه دارد و بررسی برای کل محصول منفی نیست.

درک انسان یک فرایند پیچیده است و درک احساسات انسانی می تواند چند چالش را در بر بگیرد. چالش های استفاده از تجزیه و تحلیل احساسات می تواند به این صورت باشد: یک متن می تواند احساسات متناقض را ارائه دهد و هم می تواند منفی و مثبت باشد ، یک نام در یک متن می تواند معنای متفاوتی داشته باشد و تجزیه و تحلیل زمینه دشوار است ، ممکن است تعیین زمینه زمینه دشوار باشدضمیر ، نمی تواند طعنه را شناسایی کند ، ممکن است تجزیه و تحلیل مخفف ها و مخفف ها دشوار باشد.

تجزیه و تحلیل احساسات برای تجزیه و تحلیل وضعیت بازار مالی انجام می شود ، که از آن به عنوان تجزیه و تحلیل احساسات مالی یاد می شود. پیش بینی احساسات داده های مختلف بدون ساختار و اخبار مالی ، وظیفه درک احساسات بازار را به صورت خودکار می کند. این به نوبه خود به سرمایه گذاران کمک می کند تا تصمیمات سریع و بهتری را در بورس سهام بگیرند تا سود بیشتری کسب کنند و ریسک را کاهش دهند. از این رو ، از طریق این تحقیق ، مدل های مختلف طبقه بندی ایجاد می شود و دقت آنها بررسی می شود که بنابراین به سرمایه گذاران بورس کمک می کند تا با پیش بینی قیمت سهام با استفاده از تجزیه و تحلیل احساسات ، تصمیم آگاهانه و بهتری بگیرند.

انگیزه

با رشد نمایی داده های بدون ساختار ، نیاز به درک و تجزیه و تحلیل آن را به وجود آورده است. احساسات مالی برای تأثیرگذاری بر بازار مشاهده شده است. این امر نیاز به درک احساسات را ایجاد می کند ، بنابراین امکان درک بهتر بازار را فراهم می کند. تجزیه و تحلیل احساسات ابزاری قدرتمند است که سرمایه گذاران را قادر می سازد احساسات را درک کنند. همچنین در نظارت بر داده های بدون ساختار ، که از طریق نامه های الکترونیکی ، پست های وبلاگ ، کانال های رسانه های اجتماعی جمع آوری می شود ، مفید است و اجازه می دهد تا در مورد نحوه تفکر مردم نظر گسترده تری داشته باشید. نشان داده شده است که تغییر در تجزیه و تحلیل احساسات با تغییر در بازار سهام ارتباط دارد. دانستن روانشناسی احساسات به معنای تعیین لحن عاطفی یا تعیین نگرش متن و طبقه بندی آن به عنوان "مثبت" ، "منفی" یا "خنثی" به سرمایه گذاران کمک می کند تا تصمیمات تجاری آگاهانه و دقیق را بر عهده بگیرند.

اهداف پژوهش

برای تدوین احساسات مختلف مالی با استفاده از روشهای طبقه بندی. برای بررسی صحت مدل ها و مشخص کردن دقیق ترین مدل.

سوالات تحقیق

آیا داده های بدون ساختار مانند اخبار و رسانه های اجتماعی تأثیر در بورس سهام دارند؟

آیا تأثیر احساسات و احساسات سرمایه گذار بر نوسانات قیمت در بورس سهام وجود دارد؟

چگونه می توان احساسات را مورد مطالعه قرار داد و با چقدر دقت؟

مشارکت

این تحقیق مدلهای طبقه بندی مختلفی را ارائه می دهد که می تواند برای مطالعه احساسات پشت اخبار یا توییت ها استفاده شود. از این مدل ها می توان برای مطالعه داده های بدون ساختار و تصمیم گیری آگاهانه در بازار سهام استفاده کرد.

بررسی ادبیات

Bhardwaj و همکاران.(2015) اهمیت تجزیه و تحلیل احساسات را در بازار تجارت و بورس امروز تعریف کرده است. آنها از تجزیه و تحلیل احساسات برای پیش بینی قیمت های آینده شاخص های بازار سهام هند ، Sensex و Nifty استفاده کرده اند. تجزیه و تحلیل از طریق یادگیری ماشین های مختلف و رویکردهای مبتنی بر واژگان انجام می شود. آنها مدلهایی را ایجاد کرده اند که می توانند بیشتر برای پیش بینی قیمت بازار سهام استفاده شوند. لی و همکاران.(2016) تحقیقاتی برای بررسی اثربخشی و توانایی چارچوب اطلاعات مبتنی بر تانسور انجام شده است زیرا می تواند اطلاعات متعدد در مورد حرکات سهام را ضبط کند و همچنین می تواند محصولات مالی مالی کمتری را بهبود بخشد. این تحقیق همچنین در تلاش است تا بررسی کند که آیا احساسات اجتماعی و مقالات جدید تأثیر می گذارد یا دیدگاه ها یا نگرش آنها را نسبت به سرمایه گذاری تغییر می دهد. و مشخص شده است که رسانه های اجتماعی بر تغییرات حرکت سهام تأثیر می گذارد و تأثیر زیادی دارد. پیکاسو و همکاران.(2019) کار خود را برای ترکیب رویکردهای تجزیه و تحلیل فنی و اساسی برای پیش بینی بازار با استفاده از تکنیک های یادگیری ماشین و تجزیه و تحلیل احساسات انجام داده اند. بعداً ، آنها همچنین قصد دارند یک مدل قوی را تهیه کنند که به پیش بینی روند سهام کمک می کند. بنابراین ، نتیجه این مطالعه این است که یک مدل قوی می تواند به طور مؤثر هر دو روند مثبت و منفی را در نمونه کارها و در زیر سهام مطالعه طبقه بندی کند.

Sohangir و همکاران.(2018) در مقاله خود به دنبال این است که آیا احساسات گروه جمعی بر قیمت سهام تأثیر می گذارد یا خیر. با استفاده از روشهای یادگیری عمیق ، چندین مدل از حافظه کوتاه مدت بلند مدت (LSTM) ، DOC2VEC و شبکه های خنثی Convolutional درک بهتری از تجزیه و تحلیل احساسات و اینکه آیا مدل ها مؤثر هستند یا خیر ، درک می کنند. نتایج نتیجه گرفت که شبکه های عصبی حلقوی بهتر از سایر مدل ها عمل می کنند. به طور مشابه ، Sagala و همکاران.(2020) در مقاله خود آزمایش ها و تحقیقات مختلفی را برای ارزیابی طبقه بندی حرکت قیمت سهام ، متشکل از ویژگی تجزیه و تحلیل فنی و تجزیه و تحلیل احساسات داخلی انجام داد. و نتیجه گرفته شده است که در صورت استفاده از ترکیبی از ویژگی ها ، بالاترین دقت حاصل می شود و ثابت می کند که تجزیه و تحلیل احساسات همچنین می تواند سود سرمایه گذاران را ایجاد کند زیرا تجزیه و تحلیل احساسات همچنین می تواند به ما در تصمیم گیری بهتر کمک کند. یک مدل ترکیبی مشابه توسط جینگ و همکاران فرموله شد.(2021) از جمله شاخص های فنی و تجزیه و تحلیل احساسات برای پیش بینی قیمت بسته شدن سهام برای روز بعد. آنها دریافتند که این مدل جدید ترکیبی نتایج بهتری را نشان می دهد که مدل دیگر.

یداو و همکاران(2020) به دنبال تعیین قدرت احساسات اخبار برای اطمینان از تصمیم گیری موثر هستند. برای این کار، نویسندگان سه تکنیک، یعنی رویکرد تورنی، رویکرد ترکیبی و رویکرد اسم-فعل را در نظر گرفته اند. نتیجه گیری شد که رویکرد ترکیبی و اسم-فعل نتایج بهتری نسبت به رویکرد تورنی دارد. پیش از این، جوشی و همکاران.(2016) بر این فرض کار کردند که مقالات خبری بر بازار سهام تأثیر دارند و سه مدل طبقه بندی ایجاد کردند: RF (جنگل تصادفی)، ماشین بردار پشتیبان (SVM) و ساده. مشاهده شد که RF، SVM و بیز ساده به ترتیب 92، 86 و 83 درصد دقت داشتند. همچنین شهیدان و همکاران.(2018) تحلیل احساسات سرفصل های جدید مالی در مالزی را با استفاده از تکنیک های الگوریتم یادگیری ماشین، یعنی الگوریتم مبتنی بر فرهنگ لغت نظر و بیز ساده لوح مطالعه کرد. جنگید و همکاران(2018) در مقاله خود به دنبال تعیین چارچوب مدل های یادگیری عمیق برای انجام تحلیل احساسات مبتنی بر جنبه در اخبار و سرفصل های مالی هستند. در این مدل های یادگیری عمیق به سه کلاس گسسته مثبت، منفی و خنثی طبقه بندی می شوند. و مشخص شده است که آنها قادر به طراحی مدلی هستند که از دو شبکه خنثی تشکیل شده است، یکی برای استخراج جنبه و دیگری برای پیش بینی امتیاز احساسات. در مطالعه مشابهی، سوما و همکاران.(2019) از هوش مصنوعی و یادگیری عمیق برای بهبود نتایج ریخته گری بازار مالی استفاده کرده اند. این بدان معناست که تنها با مشاهده و تجزیه و تحلیل احساسات از طریق داده های کمی می توانیم تغییر قیمت سهام را پیش بینی کنیم. از این رو، این روشن می کند که سرمایه گذاران می توانند قطبیت اخبار را تفسیر کنند و می توانند قبل از اقدام و اقدام و سرمایه گذاری، تغییر قیمت را پیش بینی کنند.

واله کروز و همکاران(2022) یک رویکرد مبتنی بر واژگان، از جمله تجزیه و تحلیل مالی فنی، ترکیبی برای کشف تأثیر حساب های توییتر با رفتار شاخص های مالی مهم، فرموله کرد. و آنها دریافتند که در طول همه گیری کووید-19، پست های توییتر به طور قابل توجهی از هر بیماری همه گیر دیگری بر شاخص های مالی تأثیر گذاشته است. مهتاب و سن (2019) در تحقیقات خود از یادگیری ماشین برای ایجاد مدل های پیش بینی مختلف با استفاده از تکنیک های طبقه بندی برای پیش بینی قیمت Nifty 50 Index بر اساس قیمت های پایانی 2015-2017 استفاده کرده اند. علاوه بر این، آنها یک شبکه یادگیری عمیق مبتنی بر LSTM برای پیش بینی قیمت سهام ایجاد کردند.

همچنین ، یک مدل پیش بینی کننده نیز برای درک احساسات عمومی با استفاده از داده های توییتر ایجاد شد و با احساسات بازار مقایسه شد. مقایسه ای بین همه مدل ها انجام شد و نتایج نشان می دهد که مدل با استفاده از تجزیه و تحلیل احساسات بهترین نتیجه را داده است. یک مطالعه مشابه توسط جین و همکاران انجام شد.(2020) که در آن آنها از یادگیری عمیق و مدل LSTM برای پیش بینی بازار سهام استفاده کرده بودند که گرایش عاطفی سرمایه گذار را در نظر می گیرد. و مدل LSTM پیش بینی قیمت گذاری سهام را ساده تر و آسان تر می کند زیرا این مدل به تمرکز بر مهمترین اطلاعات کار فعلی کمک می کند. نتایج این مقاله این است که طرح پیشنهادی از سه جنبه اصلی بهتر است ، که نزدیکتر قیمت بسته شدن ، دقت طبقه بندی بالاتر و سقوط و زمان پایین تر است. Kinyua و همکاران.(2021) تأثیر توییت های رئیس جمهور ترامپ را در شاخص های بورس سهام ایالات متحده مورد مطالعه قرار داد. آنها از تجزیه و تحلیل احساسات ، یادگیری ماشین ، طبقه بندی و رگرسیون برای تجزیه و تحلیل واکنش بازار در توییت استفاده کردند. توییت هایی که رئیس جمهور در طول بازار آزاد ایجاد شده است ، واکنش منفی نشان داد. داس و همکاران.(2018) در کار خود نشان می دهد که چگونه تجزیه و تحلیل احساسات از خلق و خوی عمومی بر فیدهای توییتر تأثیر می گذارد ، که برای پیش بینی تغییر قیمت سهام در بازار استفاده می شود. بعداً ، آنها همچنین از رویکرد یادگیری فعال استفاده کردند ، که به آنها کمک می کند تا داده های سهام آنلاین بیشتری را پیدا کنند که به راحتی در دسترس نباشد و به ما کمک می کند تا قیمت سهام آینده را با دقت بیشتری پیش بینی کنیم. بنابراین ، آنها می توانند احساسات و روند فعلی سهام را در افزایش یا کاهش قیمت ها تجزیه و تحلیل کنند ، که باعث بهبود قابلیت اطمینان و اعتماد به نفس آینده آنها می شود.

شبکه عصبی مصنوعی (ANN) ؛ RF؛وت بیوها بیوه.

استراتژی دوم بر رمزگذاری این عوامل فنی به عنوان داده های قطعی روند متمرکز است. اولین روش برای داده های ورودی شامل محاسبه ده پارامتر فنی با استفاده از داده های معاملات سهام (قیمت های باز ، بالا ، پایین و نزدیک) است. دقت هر مدل پیش بینی برای هر یک از دو رویکرد ورودی ارزیابی شد. Reliance Industries و Infosys Ltd با استفاده از داده های تاریخی که ده سال ، از سال 2003 تا 2012 ، همراه با CNX Nifty و S& P BSE Sensex شاخص های قیمت سهام ، مورد بررسی قرار گرفت. مسئله پیش بینی ارزشهای شاخص بازار سهام آینده موضوع اصلی مقاله پاتل و همکاران است.(2015a ، 2015b). برای ارزیابی تجربی ، از دو شاخص بازار سهام هند - CNX Nifty و S& P BSE Sensex - استفاده شد. در مورد داده های تاریخی ده سال برای این دو شاخص ، آزمایشات مبتنی است. برای دوره های زمانی بین 1 تا 10 ، 15 و 30 پیش بینی می شود. رگرسیون بردار پشتیبانی (SVR) در مرحله اول رویکرد همجوشی دو مرحله ای که در مطالعه ارائه شده است ، گنجانده شده است. در مرحله دوم رویکرد فیوژن ، مدل های پیش بینی فیوژن SVR-ANN ، SVR-RF و SVR-SVR با استفاده از ANN ، RF و SVR ایجاد می شوند. در مقایسه با سناریوهای تک مرحله ای که در آن ANN ، RF و SVR به طور مستقل اعمال می شوند ، عملکرد پیش بینی این مدل های ترکیبی عملکرد بهتری دارد. هر یک از مدل های پیش بینی ده شاخص فنی را به عنوان ورودی دریافت می کنند.

روش تحقیق

برای تجزیه و تحلیل احساسات مالی ، مجموعه داده ها از Kaggle گرفته شده است. داده ها شامل 5،322 جمله منحصر به فرد و احساسات آنها است. احساسات به عنوان "مثبت" ، "منفی" یا "خنثی" طبقه بندی می شود. بررسی این مجموعه داده ثانویه با استفاده از پایتون انجام می شود. در درجه اول ، استخراج متن در مجموعه داده های کامل انجام می شود. استخراج متن ، همچنین به عنوان Analytics Text شناخته می شود ، ابزاری برای هوش مصنوعی است که داده های بدون ساختار (متن) را با کمک NLP به داده های ساخت یافته تبدیل می کند. این کار به عنوان داده های ساختاری مناسب برای تجزیه و تحلیل انجام می شود. NLP به رایانه ها اجازه می دهد تا با استفاده از روش های مختلف مانند علوم رایانه ، هوش مصنوعی ، زبانشناسی و علوم داده برای درک زبان انسانی ، با تجزیه و تحلیل ساختار جمله و دستور زبان بخوانند و بنویسند. NLP یک روش هوش مصنوعی است که استفاده از رایانه ها را راحت تر می کند.

استخراج متن توسط تکنیک طبقه بندی متعدد دنبال شد ، که این یک فرآیند طبقه بندی داده های تعیین شده به دو یا بیش از دو کلاس است. داده ها در این کلاس ها به عنوان "مثبت" ، "منفی" و "خنثی" طبقه بندی شدند. روشهای مختلفی برای استفاده از طبقه بندی چند طبقه مانند همسایگان K-Nearest (KNN) ، درختان تصمیم گیری ، Bayes ساده ، RF و تقویت شیب وجود دارد. برای این تحقیق ، از روشهای SVES ، SVM ، RF ، KNN ، درخت تصمیم و هسته SVM استفاده می شود.

دقت مدل ایجاد شده با استفاده از تکنیک طبقه بندی چندگانه با استفاده از یک ماتریس سردرگمی بررسی می شود. از آن برای توصیف عملکرد مدل طبقه بندی پیش بینی استفاده می شود. دقت با افزودن تمام مثبت های واقعی و منفی های واقعی و سپس تقسیم آن بر اساس کل آزمون تنظیم شده برای به دست آوردن درصد دقت تعیین می شود. این مدل بالاترین نمره دقت بهترین مدل های ایجاد شده خواهد بود.< Pan> معدنکاری متن با تکنیک طبقه بندی چندگانه دنبال شد ، که این یک فرآیند طبقه بندی داده ها به دو یا بیشتر از دو کلاس است. داده ها در این کلاس ها به عنوان "مثبت" ، "منفی" و "خنثی" طبقه بندی شدند. روشهای مختلفی برای استفاده از طبقه بندی چند طبقه مانند همسایگان K-Nearest (KNN) ، درختان تصمیم گیری ، Bayes ساده ، RF و تقویت شیب وجود دارد. برای این تحقیق ، از روشهای SVES ، SVM ، RF ، KNN ، درخت تصمیم و هسته SVM استفاده می شود.