پیشبینی بازار سهام شرکتهای مشهور: رویکرد نمودار دانش

تعداد فزاینده ای از سرمایه گذاران شرکت مشهور در جستجوی روش های کارآمد جدید برای فرضیه سازی در مورد بازارها از طریق اعمال مالی رفتاری، به پیش بینی سهام توجه می کنند. بر این اساس، تحقیق در مورد پیش بینی سهام در حال تبدیل شدن به یک جهت محبوب در دانشگاه و صنعت است. در این پژوهش، هدف ایجاد مدلی برای پیش بینی حرکت قیمت سهام از طریق نمودار دانش از اخبار مالی شرکت های مطرح می باشد. برخلاف روش های سنتی پیش بینی سهام، رویکرد ما تأثیرات ویژگی های چندگانه رویداد را بر سهام بر اساس نمودار دانش و یادگیری عمیق در نظر می گیرد. مدل پیشنهادی و سایر مدل های انتخاب ویژگی برای انجام استخراج ویژگی در وب سایت های تامسون رویترز و شبکه خبری کابلی استفاده شد. آزمایش های متعددی برای به دست آوردن شواهدی مبنی بر اثربخشی جاسازی نمودار دانش برای وظایف طبقه بندی در پیش بینی سهام انجام شد. مقایسه میانگین دقت که با آن ترکیب های ویژگی مشابه در شش سهام استخراج شد، نشان داد که روش پیشنهادی نسبت به روشی که تنها از داده های موجودی، روش کیسه ای کلمات، و شبکه عصبی کانولوشنال استفاده می کند، عملکرد بهتری دارد. کار ما سودمندی نمودار دانش را در اجرای فعالیت های تجاری و کمک به پزشکان و مدیران در تصمیم گیری های تجاری برجسته می کند.

1. مقدمه

تحقیقات در مورد بازار سهام پیش بینی شرکت با معرفی فرضیه بازار کارآمد FAMA (EMH) [1] محبوب شده است ، اما در سالهای اخیر ، تعداد فزاینده ای از مردم دریافتند که بازار سهام تغییرات مشهور شرکت تصادفی ، پیچیده است. و ناپایدار با توجه به اینکه آنها تحت تأثیر عوامل زیادی قرار دارند. بازار سهام تغییرات شرکت تحت تأثیر جنبه های فرهنگی است که اساساً بر احساسات سرمایه گذار تأثیر می گذارد. فرهنگ سنتی اغلب روانشناسی سرمایه گذاری مردم را تعیین می کند ، که به نوبه خود ، بر ورود و خروج سرمایه بازار سهام تأثیر می گذارد. مسائل مربوط به شرکت ، مانند تأثیر عملکرد شرکت بر قیمت سهام و عوامل بازار [2]. استفاده از این عوامل به عنوان پایه هایی برای پیش بینی دقیق حرکت قیمت سهام به سرمایه گذاران امیدوار است که با کمترین سرمایه گذاری سهام حداکثر سود حاصل شود. به همین ترتیب ، تجزیه و تحلیل حرکات بازار سهام برای محققان و سرمایه گذاران چالش برانگیز و جذاب است. علاوه بر این ، به عنوان توسعه نمودار دانش در پردازش زبان طبیعی (NLP) ، محققان در حوزه مالی توجه خود را به معادن متن در اخبار مالی آغاز کردند. همانطور که توسط EMH و تکنیک هوش مصنوعی حفظ می شود ، بهترین نتیجه حاصل می شود که از اطلاعات خبری برای پیش بینی حرکت بازار سهام استفاده می شود ، که همچنین می تواند ریسک مالی در فعالیت های تجاری را کنترل کند.

در ماه مه 2012، گوگل به طور رسمی پروژه نمودار دانش خود را اعلام کرد که با هدف بهبود اثربخشی و کیفیت جستجوی موتورهای جستجو و همچنین تجربه کاربر با موتور انجام می شود [3]. توسعه نمودار دانش، استفاده گسترده از فناوری هوش مصنوعی را در جستجوی هوشمند، وظایف پرسش و پاسخ هوشمند و امور مالی هوشمند ترویج کرد. در امور مالی، نمودار دانش برای یافتن روابط بین نهادها، مانند مدیریت شرکت ها، رویدادهای خبری، و ترجیحات کاربر طراحی شده است. این نهادها می توانند توسط سرمایه گذاران برای دستیابی به تصمیم گیری مبتنی بر داده های مالی کارآمد و به دست آوردن بینش تجاری در مورد پیش بینی بازار سهام استفاده شوند [4]. به این دلایل، تحقیق حاضر بر چگونگی استفاده از نمودار دانش برای بهبود دقت پیش بینی قیمت سهام متمرکز شده است. نمودار دانش پایگاه هایی است که جستجوهای معنایی را با حفظ روابط بین موجودیت های متعدد پیاده سازی می کنند. بر اساس تاپل های رویداد در نمودار دانش [5]، می توانیم تعریف یک تاپل رویداد را به صورت (A, P, O) استنباط کنیم که در آن A نماینده یک عامل، P نشان دهنده یک محمول و O نشان دهنده یک شی است [6]. با توجه به اشیاء تبدیل شده توسط هر رویداد تاپل مشخص است، زمانی که آنها به بردار تبدیل می شوند، که اطلاعات معنایی بیشتری را از دست می دهد. تاپل های رویداد عناصر مرتبط را به هم پیوند می دهند و می توانند به عنوان یک روش کارآمد برای بهبود دقت پیش بینی استفاده شوند. در نتیجه، ما یک مدل یادگیری از تاپل های رویداد را پیشنهاد می کنیم که ویژگی های معنایی آن ها را حداکثر حفظ می کند.

تعبیه نمودار دانش نوعی یادگیری بازنمایی در نمودار دانش است. در حال حاضر ، چندین الگوریتم [3] رابطه نقشه برداری بین نهادها و روابط در مدل فاصله ترجمه را کشف می کنند. مدل Transe [7] یک مدل پیش بینی کننده محاسباتی کارآمد است که به طور رضایت بخش یک نوع رابطه یک به یک را نشان می دهد. از آن به عنوان پایه ای در توسعه مدلهای مختلف فاصله ترجمه استفاده شده است. مدل TransH [8] سر و دم یک بردار را بر روی یکپرپلن نقشه می کند ، پس از آن این دو مؤلفه روند ترجمه را روی هایپرپلین تکمیل می کنند. مدل transr [9] ، که مبتنی بر مدل transe است ، از موجودات و روابطی تشکیل شده است که در ابعاد مختلف فضا قرار دارند. برای هر رابطه ، این مدل ماتریسی را تعریف می کند که برای تبدیل بردارهای موجود در فضا استفاده می شود. این مدل همچنین به صورت پویا توسط یک رابطه موجودیت تعیین می شود. مدل TRANDD [10] بهبود مدل TRANSR است که اولی به عنوان مبنایی در در نظر گرفتن ماتریس تحول استفاده می کند. در مقایسه این مدلها ، حل سر و دم یک خبرهای خبری برای نقشه برداری در یک فضای واحد ، نقشه برداری ساده از ویژگی های استخراج یک به یک را ضروری می کند. این قابلیت در مدل Transe یافت می شود. این مطالعه برای ایجاد یک مدل ترکیبی از ویژگی برای Metagroups Event News استفاده شده است.

این کار شش شرکت مشهور جهانی را برای پیش بینی حرکت قیمت سهام خود ، یعنی اپل ، مایکروسافت ، سامسونگ ، بوئینگ ، گوگل و والمارت به عنوان سناریوهای برنامه انتخاب می کند. با توجه به منابع مختلف داده بین تامسون رویترز و شبکه خبری کابل ، ما نتیجه مطالعات موردی را در برخی از الگوریتم ها آشکار می کنیم ، که نشان می دهد عملکرد ویژگی ترکیبی بهتر است که با استفاده از فقط داده های سهام ، با استفاده از یک الگوریتم کیسه ای از کلمه ، وبا استفاده از شبکه عصبی Convolutional. اگرچه در حال حاضر نمونه هایی از کاربرد قدرتمند یادگیری عمیق در NLP [11] ، مانند تشخیص گفتار ، طبقه بندی متن و ترجمه ماشین وجود دارد ، بیشتر تحقیقات قبلی در پیش بینی حرکت قیمت سهام [12] مبتنی بر اطلاعات معنایی استاخبار ، که ویژگی های معنایی وقایع ساختاری را نادیده می گیرد. استفاده از نمودار یادگیری عمیق و دانش در سهام شرکت های مشهور به ندرت در دسترس است. بنابراین ، کار ما یک چارچوب برنامه کاربردی مناسب برای بازارهای مالی ارائه می دهد ، که می تواند به جنبه های دیگر پرونده مالی نیز گسترش یابد.

برای پیش بینی بازار سهام ، ما یک رویکرد تعبیه شده از نمودار دانش را تشکیل دادیم که شامل چهار مرحله اصلی است (شکل 1). اولین بازیابی داده ها است که با جستجوی کلمات کلیدی مانند "اپل" یا "Google" از طریق تامسون رویترز یا شبکه خبری کابل (CNN) شروع می شود ، همانطور که در شکل 2 نشان داده شده است. قسمت زرد عنوان اخبار مالی و نارنجی استبخشی از زمان انتشار اخبار مالی است. سپس از خزنده وب برای به دست آوردن اخبار مالی از سایت ها و مطابقت آنها با داده های مربوط به سهام استفاده می شود و تمام این اطلاعات را در یک گروه ترکیب می کند. مرحله دوم شامل پیش پردازش است ، که شامل تجزیه و تحلیل جسد ، عادی سازی متن ، نشانه سازی کلمه ، برچسب زدن برچسب و تحول کلمه به بردار است. ویژگی های حاصل از تعبیه Word و لایه های داده سهام برای محاسبه مقادیر ویژه انتخاب می شوند ، پس از آن یک بردار ویژگی با استفاده از یادگیری ماشین و تعبیه نمودار دانش تولید می شود. مرحله سوم ایجاد مدل است که در آن برچسب های پیش بینی بازار سهام (افزایش یا کاهش) به اخبار مالی برای آموزش یک مدل طبقه بندی اختصاص می یابد. سرانجام ، تصمیم مالی به عملکرد پیش بینی کننده این چارچوب متکی است. به طور خاص ، یک پیشرفت کوچک به طور مستقیم بر تصمیم گیری تأثیر می گذارد ، و این باعث افزایش سود مشهور شرکت می شود. مرحله چهارم شامل ارزیابی مدل است ، که در آن نتایج و استخراج نتیجه گیری هر مدل یادگیری ماشین مورد تجزیه و تحلیل قرار می گیرد.