چکیده:
Because of the non-linear fluctuations of the stock price, it is challenging to predict. Therefore, it is important to identify the characteristics that can be used to predict market behavior. Both traditional and modern methods are very important for these features. Among these features, we can mention the feelings and emotions of consumers. In this research, the effect of consumer sentiment factor in predicting market fluctuations has been investigated. For this purpose, the S&P500 index has been considered for forecasting first without considering the characteristics of consumer sentiments using BiLSTM deep neural network and then by combining the UMCSENT consumer sentiment factor. The experiments and results of this research show that the use of consumers' feelings and emotions increases the accuracy of forecasting the S&P500 index.
خلاصه ماشینی:
35125656565047 68 مجلة إدارة التسويق الذكي / نقي بور و باغباني / الرقم التسلسلي ٢٧ مقدمة نظرًا لأن سعر السهم مشتق من عوامل مثل سياسات الدول المؤثرة والكوارث الطبيعية وما إلى ذلك، فإن تحليل كل من هذه العوامل يؤدي إلى فهم أكثر دقة وأفضل لاتجاه سوق الأسهم.
أهداف البحث تهدف هذه الدراسة إلى استخدام الشبكات العصبية الاصطناعية وطرق التعلم العميق للتحقيق في تأثير مؤشر المشاعر على دقة التنبؤ بسعر السهم.
1 الشبكات العصبية 69 مجلة إدارة التسويق الذكي / نقي بور و باغباني / الرقم التسلسلي ٢٧ خلفية البحث في هذا القسم، سيتم تقديم بعض المفاهيم المستخدمة.
70 مجلة إدارة التسويق الذكي / نقي بور و باغباني / الرقم التسلسلي ٢٧ بيانات السلاسل الزمنية: هي نوع من البيانات حيث يتم تحديد كل بيانات بناءً على وقت حدوثها.
تم استخدام العديد من نماذج الشبكات العصبية التقليدية، بما في ذلك LSTM٥ وCNN٦، لتحسين أداء تحليل المشاعر لـ StockTwits في 1 4 معدل التعلم 5 ذاكرة قصيرة وطويلة الأمد 6 شبكة عصبية التفافية 72 مجلة إدارة التسويق الذكي / نقي بور و باغباني / الرقم التسلسلي ٢٧ نظروا ذلك.
81 مجلة إدارة التسويق الذكي / نقي بور و باغباني / الرقم التسلسلي ٢٧ الجدول ٤: التغيرات في RMSE بتغيير عدد الخلايا العصبية في توقع مجموعة بيانات مؤشر S&P٥٠٠ باستخدام UMCSENT Neurons 10 30 50 100 150 200 RMSE 321/15 73/2 45/20 43/17 40/2 44/04 MAPE 5/04 1/01 0/98 0/91 0/51 0/97 MAE 299/6 60/1 31/83 30/5 25/08 34/6 R 0/58 0/97 0/98 0/98 0/98 0/98 350 300 250 200 150 100 50 0 10 30 50 100 150 200 RMSE MAPE MAE R شکل ٦.
(
, 
, 
)
