یادگیری عمیق برای پیش بینی بازار سهام با استفاده از اطلاعات عددی و متنی (رویکرد الگوریتم حافظه کوتاه مدت ماندگارLSTM)

قیمت سهام تحت تاثیر عوامل بسیاری است،که کار پیش بینی را چالش برانگیز می کند. این پیش بینی اگر فقط داده های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی اثر می شود. هدف این پژوهش ارایه یک روش پیش بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده های قیمت، مجموعه ای از شاخص های فنی و سر تیتر اخبار به عنوان ورودی مدل است. برای این منظور از داده های سهام شاخص داوجونز و داده های خبری کانال ردیت استفاده شده است. از داده های سهام ویژگی های مبتنی بر شاخص فنی استخراج می شوند و داده های خبری توسط روش کوله کلمات به بردار ویژگی تبدیل می شوند و به شبکه حافظه کوتاه مدت ماندگار (LSTM) برای پیش بینی داده می شوند.از دقت به عنوان معیار ارزیابی عملکرد استفاده شده و آزمایش هایی بر روی دو مجموعه داده فقط عددی و فقط متنی برای ارزیابی استفاده همزمان دو منبع اطلاعاتی انجام پذیرفته است. همچنین ازسه شبکه ،SVM ، MLPوRNN برای ارزیابی مدل استفاده شده است. نتایج نشان می دهد که مدل LSTM بالاترین دقت پیش بینی 69.19% را با استفاده از اخبار و داده های مالی به دست آورده است. داده های خبری با دقت65.62% و داده های عددی با دقت51.89% می باشند.همچنین مدل LSTMدر مقایسه با شبکه های عصبی SVM وMLP و RNN از عملکرد بهتری برخوردار می باشد.