ارائه يك روش مبتني بر يادگيري عميق جهت پيش‌بيني قيمت سهام

A Deep Learning Method to Predict Stock Prices

امروزه با پيشرفت دنياي ارتباطات و ظهور شبكه‌هاي اجتماعي، زندگي و تصميم‌گيري افراد دستخوش تغييرات زيادي شده است. شبكه‌هاي اجتماعي با هدف اطلاع‌رساني، توانسته‌اند نقش بزرگي را در جنبه هاي مختلف زندگي و تصميم‌گيري‌ها بعمل آورند. در اين ميان، افراد براي تصميم‌گيري مختلف همچون سرمايه‌گذاري و نوع سهام از شبكه‌هاي اجتماعي استفاده مي‌كنند. در اين مقاله براي پيش‌بيني حركت ارزش سهام روشي مبتني بر يادگيري عميق طراحي و توسعه داده مي‌شود. داده‌ها از شبكه‌ي اجتماعي توييتر و ياهو مالي به مدت سه ماه، جمع‌آوري شده‌اند. ابتدا برچسب‌گذاري داده‌هاي توييتر با اعمال تحليل معنايي صورت مي‌گيرد و سپس با به‌كارگيري شبكه‌ي CNN، طبقه‌بندي برچسب‌ها ارزيابي مي‌شوند. داده‌هاي ارزش بازار سهام همراه با شاخص احساسات محاسبه شده و توسط حالت‌هاي مختلف مدل پيشنهادي LSTM براي پيش‌بيني روند حركت ارزش بازار سهام، بررسي مي‌شوند. نتايج حاكي از آن است كه شاخص‌هاي احساسات و محاسبه دو معيار HLPCT و PCTchange در پيش‌بيني روند حركت ارزش بازار سهام با كمترين خطا تاثير‌گذار بوده است. نتايج مقايسه با روش‌هاي قبلي نشان‌دهنده برتري روش پيشنهادي در ميزان پيش‌بيني قيمت‌ها است.

Today, with the development of the world of communication and the emergence of social networks, people s lives and decisions have undergone many changes. Social networks with the aim of informing, have been able to play a major role in various aspects of life and decision making. In the meantime, people use social networks to make various decisions such as investment and type of stock. In this paper, a method based on deep learning is designed and developed to predict stock value movement. The data was collected from the social networks Twitter and Yahoo Finance for three months. Twitter data is first tagged with semantic analysis and then tagged using CNN. Stock market value data was calculated along with the emotion index and analyzed by different modes of the proposed LSTM model to predict the trend of stock market value. The results show that emotion indices and calculation of HLPCT and PCTchange criteria have been effective in predicting the trend of stock market value with the least error. The results also show the superiority of the proposed method compared to the existing methods in terms of price prediction.