
تعداد نشریات | 45 |
تعداد شمارهها | 1,414 |
تعداد مقالات | 17,372 |
تعداد مشاهده مقاله | 56,021,822 |
تعداد دریافت فایل اصل مقاله | 18,246,022 |
بهبود پیشبینی قیمت سهام با استفاده از نشانگرهای فنی و تحلیل احساسات | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 13 تیر 1403 اصل مقاله (1.62 M) | ||
نوع مقاله: علمی-پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/tjee.2024.58861.4742 | ||
نویسندگان | ||
فاطمه مودی1؛ امیر جهانگرد رفسنجانی* 2؛ سجاد ظریف زاده3 | ||
1دانشجوی دکتری مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
2استادیار، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
3دانشیار، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
چکیده | ||
با افزایش استفاده عموم از رسانههای اجتماعی مثل توییتر، افکار عمومی تحت تأثیر پستهای منتشرشده توسط افراد مؤثر و عموم افراد قرار میگیرند. این افکار و پستهای منتشرشده به خصوص در حوزه بازار سهام، به معاملهگران که قصد خرید یا فروش سهام را دارند جهت میدهد. در این مقاله تأثیر تحلیل احساسات بر افزایش دقت پیشبینی قیمت سهام با استفاده از شش تخمینگر پایه و پنج نشانگر فنی بررسی شده است. آزمایشها نشان دادند که اندازه پنجره زمانی مناسب (3، 7، 14، 30، 45 و 60 روزه) تأثیر مثبتی بر عملکرد مدل دارد. هدف پیشبینی قیمت سهام پس از 7 روز بود. نتایج نشاندهنده بهبود پیشبینی با استفاده از تحلیل احساسات بود. بهترین مدلها جهت پیشبینی قیمت سهام مدلهای رگرسیون خطی، رگرسیون پرسپترون چندلایه و رگرسیون جنگلتصادفی بود. نتایج نشان داد که حجم توییتها با حجم معاملات در ارتباط است، همچنین میانگین امتیاز نظرات مثبت در یک روز، با قیمت سهام ارتباط بالایی داشت. به طور خاص، بهترین روشها براساس MSE، روشهای LR، MLP و RF هستند. پیشبینی قیمت سهام با روش MLP با تحلیل احساسات 17/37 درصد و با روش LR و با تحلیل احساسات 78/34 درصد بهبود یافته است. | ||
کلیدواژهها | ||
پیشبینی قیمت سهام؛ تحلیل احساسات؛ نشانگر فنی؛ روشهای رگرسیون؛ داده حجیم | ||
مراجع | ||
[1] E. Ortiz-Ospina and M. Roser, "The rise of social media," Our World in Data, 2023. Available: https://ourworldindata.org/rise-of-social-media. [2] M. M. P. Bharambe and S. C. Dharmadhikari, "Stock market analysis based on artificial neural network with big data," in Proc. 8th Post Graduate Conf. for Information Technology, 2017. [3] J. J. Murphy, Technical analysis of the financial markets: A comprehensive guide to trading methods and applications, Penguin, 1999. [4] B. M. Henrique, V. A. Sobreiro, and H. Kimura, "Literature review: Machine learning techniques applied to financial market prediction," Expert Syst. Appl., vol. 124, pp. 226–251, 2019. [5] L. Z. Zhen, Y. H. Choo, A. K. Muda, and A. Abraham, "Forecasting FTSE Bursa Malaysia KLCI trend with hybrid particle swarm optimization and support vector machine technique," in Proc. 2013 World Congr. Nature Biol. Inspired Comput., IEEE, pp. 169–174, Aug. 2013 [6] O. Kraaijeveld and J. De Smedt, "The predictive power of public Twitter sentiment for forecasting cryptocurrency prices," J. Int. Financial Markets Inst. Money, vol. 65, 101188, 2020. [7] محمدی, عاطفه, یزدیان دهکردی, مهدی و نعمت بخش, محمدعلی. (1399). تشخیص ویژگیهای ضمنی با استفاده از قواعد نحوی زبان فارسی و خوشهبندی صفات. مجله مهندسی برق دانشگاه تبریز. ، جلد 50، شماره 3، ص. 1395–1404، 1399. [8] G. Ranco, D. Aleksovski, G. Caldarelli, M. Grčar, and I. Mozetič, "The effects of Twitter sentiment on stock price returns," PLoS One, vol. 10, no. 9, e0138441, 2015. [9] M. Doğan, Ö. Metin, E. Tek, S. Yumuşak, and K. Öztoprak, "Speculator and influencer evaluation in stock market by using social media," in Proc. 2020 IEEE Int. Conf. Big Data, pp. 4559–4566, Dec. 2020. [10] J. L. Bollen and H. Mao, U.S. Patent No. 8,380,607, Washington, DC: U.S. Patent and Trademark Office, 2013. [11] X.-J. Zhang, "Twitter mood predicts the stock market," J. Comput. Sci., vol. 2, no. 1, pp. 1–8, 2011. [12] P. C. Tetlock, M. Saar‐Tsechansky, and S. Macskassy, "More than words: Quantifying language to measure firms' fundamentals," J. Finance, vol. 63, no. 3, pp. 1437–1467, 2008. [13] T. C. Lin, "The New Market Manipulation," Emory Law J., vol. 66, 2017. [14] L. Phillips, C. Dowling, K. Shaffer, N. Hodas, and S. Volkova, "Using social media to predict the future: A systematic literature review," arXiv preprint arXiv:1706.06134, 2017. [15] X. Li, H. Xie, L. Chen, J. Wang, and X. Deng, "News impact on stock price return via sentiment analysis," Knowl.-Based Syst., vol. 69, pp. 14–23, 2014. [16] C. D. Kirkpatrick II and J. A. Dahlquist, Technical analysis: The complete resource for financial market technicians, FT Press, 2010. [17] E. K. Sahin and S. Demir, "Greedy-AutoML: A novel greedy-based stacking ensemble learning framework for assessing soil liquefaction potential," Eng. Appl. Artif. Intell., vol. 119, 105732, 2023. [18] Y. Xu, C. Yang, S. Peng, and Y. Nojima, "A hybrid two-stage financial stock forecasting algorithm based on clustering and ensemble learning," Appl. Intell., vol. 50, pp. 3852–3867, 2020. [19] F. Moodi and H. Saadatfar, "An improved K-means algorithm for big data," IET Softw., vol. 16, pp. 48–59, 2021. [20] M. M. Kumbure, C. Lohrmann, P. Luukka, and J. Porras, "Machine learning techniques and data for stock market forecasting: A literature review," Expert Syst. Appl., vol. 197, 116659, 2022. [21] C. Xiao, W. Xia, and J. Jiang, "Stock price forecast based on combined model of ARIMA-LS-SVM," Neural Comput. Appl., vol. 32, pp. 5379–5388, 2020. [22] N. Naik and B. R. Mohan, "Optimal feature selection of technical indicator and stock prediction using machine learning technique," in Proc. 2nd Int. Conf. Emerging Trends Comput. Electr. Eng. (ICETCE), Jaipur, India, pp. 261–268, Feb. 2019. [23] G. Ji, J. Yu, K. Hu, J. Xie, and X. Ji, "An adaptive feature selection schema using improved technical indicators for predicting stock price movements," Expert Syst. Appl., vol. 200, 116941, 2022. [24] A. U. Haq, A. Zeb, Z. Lei, and D. Zhang, "Forecasting daily stock trend using multi-filter feature selection and deep learning," Expert Syst. Appl., vol. 168, 114444, 2021. [25] B. Weng, L. Lu, X. Wang, F. M. Megahed, and W. Martinez, "Predicting short-term stock prices using ensemble methods and online data sources," Expert Syst. Appl., vol. 112, pp. 258–273, 2018. [26] U. Patel, "Twitter data predicting stock price using data mining techniques," M.S. thesis, Univ. of Bridgeport, 2016. [27] P. Gao, R. Zhang, and X. Yang, "The application of stock index price prediction with neural network," Math. Comput. Appl., vol. 25, no. 3, 53, 2020. Available: http://dx.doi.org/10.3390/mca25030053 [28] D. V. Thanh, M. H. N. Minh, and D. D. Hieu, "Building unconditional forecast model of stock market indexes using combined leading indicators and principal components: Application to Vietnamese stock market," Indian J. Sci. Technol., vol. 11, no. 2, pp. 1–13, 2018. https://doi.org/10.17485/ijst/2018/v11i2/104908 [29] F. Moodi, A. Jahangard-Rafsanjani, & S. Zarifzadeh, "Feature selection and regression methods for stock price prediction using technical indicators," arXiv:2310.09903. https://doi.org/10.48550/arXiv.2310.09903. [30] C. Hutto and E. Gilbert, "Vader: A parsimonious rule-based model for sentiment analysis of social media text," in Proc. Int. AAAI Conf. Web Social Media, vol. 8, no. 1, pp. 216–225, May 2014. [31] Y. Sovbetov, "Factors influencing cryptocurrency prices: Evidence from bitcoin, ethereum, dash, litcoin, and monero," J. Econ. Financial Anal., vol. 2, no. 2, pp. 1–27, 2018. [33] F. Li, W. Lu, J. W. Keung, X. Yu, L. Gong, and J. Li, "The impact of feature selection techniques on effort‐aware defect prediction: An empirical study," IET Softw., vol. 17, no. 2, pp. 168–193, 2023. [34] سفیدیان, امیرمسعود و دانشپور, نگین. (1397). اعمال مدلهای رگرسیون بر زیرمجموعههای با همبستگی بالا برای بهبود جایگذاری مقادیر جاافتاده عددی. مجله مهندسی برق دانشگاه تبریز. جلد 48، شماره 3، ص. 1187–1200، 1397. [35] R. K. Dash, T. N. Nguyen, K. Cengiz, and A. Sharma, "Fine-tuned support vector regression model for stock predictions," Neural Comput. Appl., pp. 1–15, 2021. https://doi.org/10.1007/s00521-021-05842-w. | ||
آمار تعداد مشاهده مقاله: 1,198 تعداد دریافت فایل اصل مقاله: 61 |