دانلود رایگان ترجمه مقاله پیگیری رسانه های اجتماعی جهت پیش بینی رویداد بازار سهام – اسپرینگر 2017

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1. مقدمه
پیش بینی های مربوط به بازار مالی به دلیل نوسانات ذاتی خودش پیچیده شده است. دستیابی به سیگنال های این نوسان ارائه برآوردهای مناسب درباره «نوسانات قیمت بازار» اولین علاقمندی اقتصاددانان می باشد. این مسئله موجب علاقمندی شگرف محققان در رشته های گوناگونی همچون اقتصادیات، آمار و علم اطلاعات شده است. بر این اساس این امر منجر به طیف وسیعی از روش ها با هدف مدلسازی بازارهای سهام می شود [11، 16، 17، 20، 23].
در بیشتر رویکردهای قدیمی، محققان بازار سهام را با سوابق تاریخی قیمت ها مشخص می کنند و امضاهائی را پیدا می کنند که نشان دهنده ی افزایش یا کاهش قیمت ها بر اساس این سری های زمانی تاریخی است. با اینحال، این روش های سری زمانی مالی در کل از شاخص های انسانی، مانند واکنش عمومی نا آگاه است و اغلب تمایل به دقت آنها در پیش بینی تغییرات ناگهانی، بزرگ در ارزش بازار یافت شده است [4]. به تازگی، با رشد فراگیر رسانه اجتماعی [6، 14] که به افراد اجازه می دهد تا به آسانی احساسات خودشان را بیان کنند [21]، دیدگاه ها و نگرانی ها، کاوش زمان واقعی این عوامل امکانپذیر می شود. علاوه بر این، اکنون جنبه های مختلف احساسات عمومی را می توان با آنالیز شبکه های اجتماعی متعدد استخراج نمود. در این مقاله، داده های روند جستجوی جهانی از گوگل، مقالات آرشیو اخبار از اخبار بلومبرگ و توئیت های مرتبط از توئیتر را جمع آوری و آنالیز می کنیم. با استفاده از روش های بدون ناظر، ویژگی های را از این منابع موجود در دسترس عموم استخراج می کنیم. به کمک این ویژگی ها، مجموعه ای از آزمایش ها را طراحی می کنیم تا ارتباط و همبستگی های میان رفتار انسان و نوسانات بازار در بازارهای آمریکای جنوبی را بررسی کنیم. با این آنالیز، مدل هایی را ارائه می کنیم که تغییرات بزرگ (رخدادها) در ارزش بازار را با استفاده از مهمترین عوامل استخراج کننده اطلاعات پیش بینی می کند. بطور خاص، با توجه به این سه منبع داده در روز d و قیمت های تاریخی سهام برای یک بازار، مدل های ارائه شده خودمان در تلاش است تا ارزش بازار سهام را در حداقل روز d + 1 پیش بینی کند.
مشارکت یا تسهیمات مهم این مقاله عبارت است از:
– یک آنالیز از روندهای جستجوی گوگل، اخبار بلومبرگ و توئیتر را ارائه می کنیم تا اطلاعات در مورد روندهای بازار را جمع آوری کنیم و این روندهای رسانه اجتماعی را تعیین کمیت کنیم.
– ویژگی های burst از توئیتر را شناسایی می کنیم و این ویژگی ها را در رخدادهای burst گروه بندی می کنیم. همچنین همبستگی های این رخدادهای ترتیبی یا پشت سر هم را با روندها بازار بررسی میکنیم و پیدا می کنیم.
– مدل دلتا نایو بیز را به منظور پیش بینی نوسانات بازار مالی با استفاده از منابع متعدد رسانه اجتماعی ارائه می-کنیم. اگرچه تلاش های قبلی در بررسی ترکیبات منابع برای کاربردهای مربوط به دارایی یا مالیه وجود دارد [12، 19]، با اینحال بیشتر آثار بر روی بررسی مجموعه داده ها متمرکز است. در این راستا، با توجه به بهترین دانش خودمان، اثر ما در وهله اول نه تنها برای محاسبه منابع است بلکه مدل های پیش بینی را ارائه می کند که منابع متعدد را مورد استفاده قرار می دهد.
– در نهایت، یافته های خودمان را درباره همبستگی متقابل بین شاخص های بازار استخراج شده از منابع متعدد رسانه-های اجتماعی ارائه می کنیم و اطلاعات حاصله از هر منبع داده را بطور گسترده آنالیز می کنیم.

2. اثر مرتبط
در این بخش چندین اثر مربوط به زمینه های آنالیز سری های زمانی مالی، مدلسازی بازارهای مالی و استخراج ویژگی ها از جریانات آنلاین داده ها را بررسی می کنیم.
آنالیز مالی سری های زمانی. آنالیز سری های زمانی مالی یکی از محبوب ترین رویکردها در مدلسازی بازار بوده است. مدل های ناهمسان شرطی خودرگرسیو تعمیم یافته (GARCH) [5] در حوزه مالی از دهه 1980 بطور وسیع به کار گرفته می شود. الگوریتم های خوشه بندی به منظور تشریح مجدد سری های زمانی [11] و شناسایی سهام موقت همبسته مورد استفاده قرار می گیرد [1]، روش هایی هستند که در پردازش داده های خودمان استفاده می-کنیم. به تازگی، [17] طول تلفات اطلاعات بعنوان یک شاخص پیشرو در اندازه گیری بی ثباتی یا ناپایداری جهانی ارائه می شود.
همبستگی با رسانه اجتماعی. با شیوع و توسعه اخیر پلتفرم های داده بزرگ [25، 24]، اتخاذ وظائف داده کاوی در شبکه های اجتماعی آنلاین تولید نتایج حالت هنر را نشان می دهد. آنجا تعدادی از آنالیزهای اکتشافی مربوط به رسانه اجتماعی با بازارهای سهام وجود دارد. [16] یک همبستگی بین حجم معاملات شرکت های برتر و حجم جستجوی گوگل از این اسامی شرکت ها را پیدا می کند. [12] همبستگی یا ارتباط بین حجم پرس وجوی جستجو و میانگین صنعتی داو جونز (DJIA) را بررسی می کند و حجم بالاتری از جستجوی اصطلاحات مالی مشخص را پیدا می کند که قیمت های پائین تر DJIA را نشان می دهد. علاوه بر این، [15] در می یابد که راهبردهای تجاری مبتنی بر حجم 98 کلمه کلیدی از جستجوی گوگل ترندز سرمایه گذاری تصادفی را با توجه به کل گردش مالی انجام می دهد. به تازگی، [13] «تحرکات مشترک» بین قیمت های سهام و مقالات خبری برای پیشبینی بازار سهم را مطالعه می کند. [4] عواطف عمومی از توئیتر را محاسبه می کند و در می یابد که منحنی احساس و عاطفه «آرام» دارای یک همبستگی بسیار قدرتمند با ارزش های میانگین صنعتی داو جونز است. [20] استدلال بر این دارد که تعدادی از اجزای متصل در یک زیر نمودار محدود در نمودارهای زمان محدود دارای همبستگی بالا با حجم معامله شده دارد. در این مقاله، تحقیقی را ایجاد می کنیم که حاکی از این است که جمع آوری حجم جستجو و تغییرات ناگهانی در احساسات در بین شبکه های اجتماعی با عملکرد مالی بازار توسط ترکیب این عوامل در یک چارچوب پیش بین شده متحد مرتبط است.
فیوژن ویژگی با توجه به روش های فیوژن، [10] رویکرد محبوب فیلتر کالمن برای مسائل پیش بینی و فیلترینگ خطی را ارائه می کند که حسگرهای ترتیبی متعدد را اندازه گیری می کند تا حالات دینامیکی سیستم را برآورد کند. طبقه بندی کننده بیز نایو بعنوان مدل موثری شناخته می شود که برچسب های کلاس برای ویژگی های چند بعدی مبتنی بر حداکثر احتمالات خلفی یا پسین را برآورد می کند. مدل های مارکوف پنهان بطور موفقیت آمیزی برای تشخیص الگوی زمانی در مناطقی همچون تصاویر ترتیبی به کار می رود [27]. در آزمایش خودمان، مدل کلاسیک نایو بیز را، برای فیوژن ویژگی و پیش بینی مالیه استفاده و اصلاح می کنیم.

بخشی از مقاله انگلیسی:

1 Introduction

Predictions concerning financial markets are complicated by their inherent volatility. Capturing signals of this volatility and providing proper estimates about ‘market flips’ is of prime interest to economists. This problem has attracted great interest from researchers in diverse disciplines such as economics, statistics and data science. Consequently this has led to a wide variety of methods aimed at modeling stock markets [11, 16, 17, 20, 23]. In most of the traditional approaches, researchers characterize the stock market by the historical records of prices and try to find signatures that indicate rising or falling prices based on this historical time series. However, such financial time series methods are generally incognizant of human indicators, such as public reaction, and have frequently been found wanting in their accuracy at predicting sudden, large changes in market value [4]. Recently, with the pervasive growth of social media [6, 14] which allow individuals to readily express their sentiments [21], views and concerns, real-time mining of such factors has become possible. Furthermore, different aspects of public sentiment can now be extracted by analyzing multiple social networks. In this paper, we collect and analyze global search trend data from Google, archived news articles from Bloomberg News and relevant tweets from Twitter. Using unsupervised methods, we extract features from these publicly available data sources. Using these features, we design a set of experiments to investigate the correlations between human behavior and market fluctuations in South American markets. With this analysis, we propose models that predict large changes (events) in market value using the most informative extracted factors. To be specific, given these three data sources at day d and historical stock prices for a market, our proposed models attempt to predict the stock market value of at least day d + 1. The key contributions of this paper are: – We propose a systematic analysis of Google Search Trends, Bloomberg News and Twitter to gather information about market trends and quantify these social media trends. – We identify burst features from Twitter and further group burst features into burst events. We also investigate and find the correlations of these burst events with market trends. – We present Delta Naive Bayes Model to predict finance market fluctuations by fusing multiple social media sources. Though there have been earlier attempts at investigating combinations of sources for finance related applications [12, 19], most of the work has focused on surveying datasets. In that respect, to the best our knowledge, our work is the first not only to compare sources but also to propose predictive models that leverage multiple sources. – Finally, we present our findings about the underlying cross-correlation among market indicators extracted from multiple social media sources and extensively analyze the information from each data source.

2 Related Work

In this section we review a few works related to the fields of financial time series analysis, modeling of financial markets and extraction of features from online data streams. Financial Time Series Analysis Financial time series analysis has been one of the most popular approaches to market modeling. Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models [5] have been widely applied in the financial domain since the 1980s. Clustering algorithms have been applied to redescribe time series [11] and identify temporally correlated stocks [1], methods which we have employed in our data processing. More recently, [17] proposed information dissipation length as a leading indicator to measure global instability Correlation with Social Media With the recent development and prevalence of big data platforms [25, 24], adopting data mining tasks on online social networks has been shown to produce state-of-the-art results. There have been a number of exploratory analyses correlating social media with stock markets. [16] found a correlation between transaction volumes of top companies and Google search volumes of those companies’ names. [12] investigated the correlation of search query volume and the Dow Jones Industrial Average (DJIA) and found that a higher search volume of certain finance terms indicates lower DJIA prices. Further, [15] found that trading strategies based on the volumes of 98 keywords from Google Search Trends outperformed random investment with respect to overall turnover. Recently, [13] study the ”co-movements” between stock prices and news articles for stock market prediction. [4] calculated public sentiment from Twitter and found the “calm” sentiment curve has an especially strong correlation with DJIA values. [20] found that the number of connected components in a constrained subgraph within time-constrained graphs has high correlation with traded volume. In this paper, we build on the research that suggests that aggregate search volume and sudden changes in sentiment across social networks are correlated with financial market performance by combining these factors in a unified prediction framework. Feature Fusion With respect to fusion methods, [10] proposed the popular Kalman Filter approach for linear filtering and prediction problems which measures multiple sequential sensors to estimate a system’s dynamic states. The naive Bayes classifier has been recognized as an effective model which can estimate class labels for multi-dimensional features based on maximum posterior probabilities. Hidden Markov models have been applied successfully for temporal pattern recognition in areas such as sequential images [27]. In our experiment, we employ and revise the classic naive Bayes model, for feature fusion and finance prediction.