عنوان مقاله :
پيش بيني روند روزانه قيمت سهام با استفاده از متن كاوي احساسات كاربران شبكه اجتماعي و داده كاوي نماگرهاي تكنيكال
عنوان به زبان ديگر :
English Daily Stock Price Movement Prediction Using Sentiment text mining of social network and data mining of Technical indicators
پديد آورندگان :
ابراهيميان، كامل دانشگاه آزاد اسلامي واحد قزوين - گروه مديريت مالي , عباسي، ابراهيم دانشگاه الزهرا - دانشكده علوم اجتماعي و اقتصادي , عالم تبريز، اكبر دانشگاه شهيد بهشتي تهران - دانشكده مديريت و حسابداري - گروه مديريت صنعتي , محمدزاده، امير دانشگاه آزاد اسلامي واحد قزوين - گروه مديريت مالي
كليدواژه :
پيش بيني قيمت سهام , الگوريتم هاي طبقه بندي , تحليل احساسات , عليت گرنجر
چكيده فارسي :
ا ين پژوهش به پيش بيني روند آتي قيمت سهام در بازه كوتاه مدت روزانه با استفاده از تحليل نظرات سرمايه گذاران در شبكه ي اجتماعي سهامياب مي پردازد. قابليت پيش بيني پذيري بازارهاي سهام، به خاطر دارا بودن يك سيستم پيچيده، پويا و غير خطي همواره از چالش هاي پژوهشگران بوده است در اين تحقيق، براي اولين بار، با تحليل احساسات نظرات كاربران و تركيب آن با 22 نماگر تكنيكال به كمك سه الگوريتم درخت تصميم، بيز ساده و ماشين بردار پشتيبان ،مدلي با دقت 72/08 درصد براي پيش بيني جهت حركت سهام توسعه يافت و به پيش بيني روند كوتاه مدت سهام پرداخته شد بر اساس نتايج، ماشين بردار پشتيبان، عملكردي بهتر از دو الگوريتم ديگر از خود نشان داد. همچنين مشخص شد حجم معاملات روز آتي و تعداد نظر ها داراي همبستگي معناداري است و نتايج آزمون عليت گرنجر نشان داد مي توان براي پيش بيني قيمت سهام، از تجميع احساسات روزانه كاربران نيز بهره جست.
چكيده لاتين :
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.
عنوان نشريه :
دانش سرمايه گذاري
