بررسي توانايي نظرات كاربران شبكه هاي اجتماعي بر پيش بيني جهت و قيمت سهام در بورس اوراق بهادار تهران

Evaluate the Ability of Social Networks to Predict the Direction and Stock Prices in Tehran Stock Exchange

با توجه به نقش روزافزون شبكه هاي اجتماعي در بازار سرمايه، بررسي توانايي و اثربخشي آن در جهت و قيمت سهام مي تواند براي سرمايه گذاران مفيد باشد. جايگاه اصلي اين تحقيق در بررسي حركت توده وار بر اساس پيشنهادهاي خريد و فروش در شبكه اجتماعي با استفاده از شبكه عصبي مي باشد. اين تحقيق دردوره زماني ابتداي تيرماه 1392 تاانتهاي خردادماه 1393 (يكسال) مي باشد و با توجه به شرايط بازار سرمايه دو دوره ركود و رونق بررسي شده است. به منظور دسترسي به داده هاي كافي و همچنين تواتر معاملات ، نمونه انتخابي ده شركت از 50 شركت فعال بورس و همچنين ده نمادي كه بيشترين تعداد پست و نظر را در شبكه اجتماعي داشته اند انتخاب گرديده اند. اين تحقيق دردوبخش پيش بيني جهت و قيمت سهام با داده هاي قيمت در مقايسه با تركيب داده هاي قيمت و پيشنهادهاي خريد و فروش شبكه هاي اجتماعي است. براي پيش بيني از شبكه عصبي مصنوعي پيش­خور و بهينه­سازي شبكه با 3 تا 10 وقفه و يك لايه پنهان تا 20 نرون استفاده شده است. نتايج نشان داده است كه در پيش بيني قيمت سهام در دو روش تفاوت معني داري وجود ندارد اما در پيش بيني جهت قيمت سهام با استفاده از قيمت سهام و پيشنهادهاي خريد و فروش (تركيب داده هاي قيمت و شبكه اجتماعي) نسبت به پيش بيني فقط با قيمت سهام در دوره رونق براي شركت هاي پربيننده و در دوره ركود براي 10سهم فعال تفاوت معني داري وجوددارد.

Examining the ability and efficiency of social network on price and direction of stock price is important, because of social network boom. In this research, we observe the herding behavior based on buy and sell offer in one of the Iranian social network (sahamyab.com) using neural network. The duration of research between July 2013to June 2014(1year) and based on TSE is divided to period of bull and bear market. The sample is selected on two hypotheses, ten symbols from active stocks listed by TSE and another ten symbol from most viewed and active on social network. This research done on two parts: direction forecast and price forecast. Historical price and buy/sell offer in social network with 3 to 10 lags used. Feed forward neural network (FFNN) with 3 to 10 data lags and 1 hidden layer and up to twenty neuron used to find optimal network and used to forecast. In price forecast, there is no significant difference, But in directional of stock price forecast, we found that it's significant for most viewed share in bull market and for active share in bear market.