پيش‌بيني بازار سهام با استفاده از يادگيري عميق بازنمايي‌هاي عددي و متني

Stock Market Prediction Using Deep Learning of Numerical and Textual Representation

هدف اين مقاله ارائه يك كاربرد جديد از مدل‌هاي يادگيري عميق، براي پيش‌بيني گزارش مالي در يك بازه‌ي زماني مناسب است. سرمايه‌گذاران با توجه به عوامل مختلفي، از جمله شاخص قيمت مصرف‌كننده، نسبت قيمت-سود، و رويدادهاي متفاوتي كه در روزنامه‌ها گزارش مي‌شود، تصميم¬گيري مي‌كنند. به منظور كمك به تصميم‌گيري‌هاي به موقع اين افراد، بسياري از راه‌كارهاي خودكار براي تجزيه و تحليل اطلاعات مربوطه در دهه‌ي گذشته پيشنهاد شده است. با اين حال، بسياري از آن‌ها از اطلاعات عددي يا متني استفاده مي‌كنند، اما هيچ‌كدام براي يك شركت واحد نمي‌باشد. در اين مقاله، روشي پيشنهاد شده است كه مقالات روزنامه را به بازنمايي‌هاي توزيع‌شده خود از طريق بردار پاراگراف مبتني بر يادگيري عميق ويژگي‌ها تبديل كند و اثرات زماني وقايع گذشته را بر روي قيمت‌هاي موجود چندين شركت با مدل حافظه طولاني مدت (LSTM) مدل‌سازي كند. نتايج تجربي نشان از عملكرد مناسب روش پيشنهادي داشت.

The purpose of this paper is to propose a new application of deep learning models for stock prediction in a timely manner. Investors make decisions according to various factors, including consumer price index, price-earnings ratio, and various events reported in the news articles. To support decisions in a timely manner, many automated solutions for analyzing relevant information have been proposed in the past decade. However, many of them used either numeric or textual information, but not both for a single company. In this paper, a method is proposed to transform newspaper articles into their distributed representations through a paragraph vector based on deep learning features and to model the temporal effects of past events on opening prices of multiple companies with long-short term memory (LSTM). Experimental results indicated the better performance of the proposed method.