تحليل احساسات براي پيش¬بيني بازار بورس با شبكه عصبي ژرف: مطالعه موردي براي پايگاه داده سهام شركت¬هاي بين-المللي

Sentiment analysis for stock market predection with deep neural network: A case study for international corporate stock database

امروزه تحليل احساسات به عنوان يكي از اركان اصلي در زمينه هاي مختلف از جمله مديريت مالي، بازاريابي، پيش بيني تغييرات اقتصادي دركشورهاي مختلف بكار گرفته مي شود. به منظور ساخت يك تحليل گر احساسات بر مبناي نظرات كاربران در رسانه هاي اجتماعي، بعد از استخراج ويژگي هاي مهم بين كلمات توسط شبكه پيچشي، از شبكه حافظه كوتاه مدت بلند استفاده مي كنيم تا رابطه نهفته در دنبالـه اي از كلمات را كشف و ويژگي هاي مهم متن را استخراج نماييم. با كشف ويژگي هاي استخراج شده جديد توسط شبكه‌ برگشتي با حافظه كوتاه مدت بلند، توانايي مدل پيشنهادي در طبقه بندي ارزش سهام شركت ها افزايش مي يابد و در نهايت به پيش بيني سهام بورس در روز بعد براساس تحليل احساسات مي پردازيم. اﯾﻦ ﭘﮋوﻫﺶ ﺑﺮ اﺳﺎس دادهﻫﺎي ﻣﻘﺎﻟﻪ اﻧﮕﻮﯾﺎن و همكارانش اﻧﺠﺎم ﮔﺮﻓﺘﻪ اﺳﺖ و تنها از اﻃﻼﻋﺎت احساسي ﻣﺮدم در شبكه ﻫﺎي اجتماعي ﺑﺮاي ﭘﯿﺶبيني ﺳﻬﺎم اﺳﺘﻔﺎده مي كند. با توجه به اينكه هر يك از پيـام هاي كاربـران را در 5 كلاس هاي احساسي طبقه بندي مي كنيم، بنابراين اين مدل ارزش سهام روز بعد را به دو حالت بالا يا پايين بودن آن مي تواند پيش بيني كند. ساختار پيشنهادي شامل 21 لايه شبكه عصبي ژرف و متشكل از شبكه هاي پيچشي و حافظه كوتاه مدت بلند است كه براي پيش بيني سهام بورس 18 شركت پياده سازي شده است. اگرچه برخي مدل هاي ارائه شده قبل، از تحليل احساسات به منظور پيش بيني بازار سرمايه بهره گرفته اند، اما از روش هاي تركيبي و پيشرفته در شبكه هاي ژرف با ميزان دقت پيش بيني بالا بهره نبرده اند. سنجش نتايج روش پيشنهادي با ديگر مطالعات نشان داده كه عملكرد روش پيشنهادي در مقايسه با 8 روش ديگر، بطور قابل ملاحظه اي خوب بوده و در معيار ارزيابي صحت در پيش‌بيني روزانه سهام‌ با بهبود 19/89 درصدي نسبت به مدل شبكه پيچشي ژرف، 24/5 درصدي نسبت به مدل پيشنهادي انگويان و همكاران (2015) و 23/94 درصدي نسبت به مدل پيشنهادي درخشان و همكاران (2019) از روش‌هاي رقيب پيشي بگيرد.

Emotional analysis is used as one of the main pillars in various fields such as financial management, marketing and economic changes forecasting in different countries. In order to build an emotion analyzer based on users' opinions on social media, after extracting important features between words by convolutional layers, we use LSTM layers to establish the relationship behind the sequence of words and extract the important features of the text. With discovery of new features extracted by LSTM, the ability of the proposed model to classify the stock values of companies increases. This article is based on the data of Nguyen et al. (2015) and uses only the emotional information of people in social networks to predict stocks. Given that we categorize each user's message into one of the emotional classes "Strong Buy", "Buy", "Hold", "Sell", "Strong Sell", this model can predict the stock value of the next day, whether it will be high or low. The proposed structure consisted of 21 layers of neural networks consisting of convolutional neural networks and long short-term memory network. These networks were implemented to predict the stock markets of 18 companies. Although some of the previously presented models have used for emotion analysis to predict the capital markets, the advanced hybrid methods have not been performed in deep networks with a good forecasting accuracy. The results were compared with 8 baseline methods and indicate that the performance of the proposed method is significantly better than other baselines. For daily forecasts of stocks changes, it resulted in 19.80% improvement in the prediction accuracy, compared with the deep CNN, and 24.50% and 23.94% improvement compared with the models developed by Nguyen et al. (2015) and Derakhshan et al. (2019), respectively.