ارائه یک روش مبتنی بر یادگیری عمیق جهت پیش‌بینی قیمت سهام

امروزه با پیشرفت دنیای ارتباطات و ظهور شبکه‌های اجتماعی، زندگی و تصمیم‌گیری افراد دستخوش تغییرات زیادی شده است. شبکه‌های اجتماعی با هدف اطلاع‌رسانی، توانسته‌اند نقش بزرگی را در جنبه های مختلف زندگی و تصمیم‌گیری‌ها بعمل آورند. در این میان، افراد برای تصمیم‌گیری مختلف همچون سرمایه‌گذاری و نوع سهام از شبکه‌های اجتماعی استفاده می‌کنند.در این مقاله برای پیش‌بینی حرکت ارزش سهام روشی مبتنی بر یادگیری عمیق طراحی و توسعه داده می‌شود. داده‌ها از شبکه‌ی اجتماعی توییتر و یاهو مالی به مدت سه ماه، جمع‌آوری شده‌اند. ابتدا برچسب‌گذاری داده‌های توییتر با اعمال تحلیل معنایی صورت می‌گیرد و سپس با به‌کارگیری شبکه‌ی cnn، طبقه‌بندی برچسب‌ها ارزیابی می‌شوند. داده‌های ارزش بازار سهام همراه با شاخص احساسات محاسبه شده و توسط حالت‌های مختلف مدل پیشنهادی lstm برای پیش‌بینی روند حرکت ارزش بازار سهام، بررسی می‌شوند. نتایج حاکی از آن است که شاخص‌های احساسات و محاسبه دو معیار hlpct و pctchange در پیش‌بینی روند حرکت ارزش بازار سهام با کمترین خطا تاثیر‌گذار بوده است. نتایج مقایسه با روش‌های قبلی نشان‌دهنده برتری روش پیشنهادی در میزان پیش‌بینی قیمت‌ها است.

A Deep Learning Method to Predict Stock Prices

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.