ВИКОРИСТАННЯ ГРАДУЙОВАНОГО АНАЛІЗУ ГРОМАДСЬКИХ НАСТРОЇВ У СИСТЕМІ ПРОГНОЗУВАННЯ ДАНИХ
DOI:
https://doi.org/10.31649/1997-9266-2023-170-5-60-66Ключові слова:
історичні дані, аналіз настроїв, фінансові ринки, градуйований аналіз настроїв, фундаментальний аналіз, система прогнозування данихАнотація
Прогнозування даних на фінансових ринках — актуальне завдання у сучасному світі. Здатність передбачити напрямок руху ринку допомагає інвесторам уникнути очевидних ризиків і позбавити себе додаткових витрат. Розроблено багато різних торгових платформ, щоб швидко отримувати доступ до великих обсягів історичних даних, що дозволяє аналізувати фінансовий ринок з будь-якого куточка планети в режимі реального часу, використовуючи лише ноутбук або персональний комп’ютер. Такі платформи дозволяють розробляти унікальні стратегії та підходи на основі фундаментального або технічного аналізу, які враховують новини про певну компанію, її прибуток, капіталізацію та кількість дивідендів, які вона повинна виплачувати вчасно.
Новини про різні компанії допомагають потенційному інвестору виявляти певні ризики, зокрема, персоналу виробництва або, найчастіше в сучасних реаліях, репутаційні. Тому аналіз новинних текстів відіграє важливу роль у формуванні фундаментального аналізу, і саме тому його можна проводити найефективніше за допомогою нейромереж.
Аналіз настроїв за допомогою нейронних мереж є потужним інструментом для прогнозування ринків в сучасному бізнесі, оскільки він дозволяє аналізувати та розуміти глибокі відчуття та настрої споживачів та інвесторів на основі текстової інформації, такої як відгуки, соціальні медіа, новини та ін.
Аналіз настроїв використовує машинне навчання та природну мову, щоб автоматично визначити та категоризувати текстові дані як позитивні, негативні чи нейтральні. Ця інформація може бути використана для прогнозування реакції ринку на нові продукти, послуги, політичні події чи інші чинники. Такий аналіз допомагає підприємствам зрозуміти глибоке ставлення споживачів та інвесторів до їхнього бренду, товарів та послуг, що дозволяє розробляти ефективніші маркетингові стратегії та ухвалювати обґрунтовані рішення щодо розвитку бізнесу.
Використання градуйованого аналізу настроїв допоможе отримати ліпшу оцінку тому чи іншому тексту, який описує ринок або надає про нього певну інформацію, що допоможе інвестору ухвалити найменш ризиковане рішення. Імплементація цього методу сентиментального аналізу допоможе підвищити ефективність системи прогнозування даних, яка вже використовує технічний аналіз на фондових ринках.
Метою роботи є підвищення ефективності автоматизованого технічного аналізу даних на фондових ринках завдяки імплементації методів аналізу настроїв.
Посилання
Д. A. Ткачик, і Р. Н. Квєтний, «Розробка ефективних комбінацій моделей технічного аналізу для прогнозування ринку,» Матеріали XLIX Науково-технічної конференції ВНТУ, Вінниця, 27-28 квітня 2020 р., [Електронний ресурс]. Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2020/paper/view/9600 .
L. Zhang, S. Wang, and B. Liu, “Deep learning for sentiment analysis,” A survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 8(4), e1253, 2018.
A review on sentiment analysis and emotion detection from text, 2021. [Electronic resource]. Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8402961/ .
R. Prabowo, and M. Thelwall, “Sentiment analysis: A combined approach,” Journal of Informetrics, no. 3(2), pp. 143-157, 2009.
F. Hamborg, and K. Donnay, “NewsMTSC: A Dataset for (Multi-)Target-dependent Sentiment Classification in Political News Articles,” Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume, Stroudsburg, PA, USA, 2021. [Online]. https://doi.org/10.18653/v1/2021.eacl-main.142 .
Stock Market Sentiment Analysis in 2023, 2022. [Electronic resource]. Available: https://research.aimultiple.com/sentiment-analysis-stock-market/ .
Types of Sentiment Analysis and How Brands Perform Them, 2020. [Electronic resource]. Available: https://www.analyticsinsight.net/types-of-sentiment-analysis-and-how-brands-perform-them/ .
B. Liang et al., “Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks,” Knowledge-Based Systems, vol. 235, pp. 107643, 2022. [Electronic resource]. https://doi.org/10.1016/j.knosys.2021.107643 .
M. Birjali, M. Kasri, and A. Beni-Hssane, “A comprehensive survey on sentiment analysis: Approaches, challenges and trends,” Knowledge-Based Systems, 226, 107134, 2021.
M. Wongkar, and A. Angdresey, “Sentiment analysis using Naive Bayes Algorithm of the data crawler,” IEEE Twitter. In 2019 Fourth International Conference on Informatics and Computing (ICIC), pp. 1-5, October, 2019.
VADER (Valence Aware Dictionary and sentiment Reasoner) Sentiment Analysis, 2022. [Electronic resource]. Available: https://medium.com/mlearning-ai/vader-valence-aware-dictionary-and-sentiment-reasoner-sentiment-analysis-28251536698 .
##submission.downloads##
-
PDF
Завантажень: 54
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
