تشخيص قاب زماني در توييت هاي تحليل و پيش بيني بازار تبادل خارجي

Time-frame detection on foreign exchange market analysis and prediction tweets

تجزيه و تحليل منابع آنلاين مرتبط با بازارهاي مالي ميتواند كمك به تحليل روند بازارهاي مالي نمايد و استخراج اطلاعات موجود در متن هاي غير ساخت يافته آنلاين يكي از چالشي ترين پژوهش ها را در سال هاي اخير تشكيل داده است. ورودي اينگونه سيستم ها منابع خبري، شبكه هاي اجتماعي، بلاگ ها و ... و خروجي آنها متون امتيازدهي شده ميباشد كه در نهايت ميتواند به توليد سيستم هاي تصميم يار و پيش بيني كننده بازارهاي مالي منتهي گردد. يكي از كمبود هاي هميشگي كارهاي پيشين عدم قابليت تشخيص قاب زماني در متون بوده است. بدين معنا كه تمامي اسناد براي قاب زماني يكساني معتبر در نظر گرفته شده و تفاوتي ميان قاب هاي زماني مورد نظر ناشر در نظر گرفته نشده است. در اين تحقيق روشي نوين به منظور نشانه گذاري قاب زماني هر توييت و دسته بندي آن با استفاده از سيستم خبره ارائه گرديده كه قابليت دسته بندي متون در5 دسته چهار ساعته، روزانه، هفتگي، ماهانه و بدون دسته را دارا ميباشد.

The analysis of online financial markets related sources can help analyzing financial markets trends. Due to the proven relation between these online data and financial markets movements, information extraction through unstructured online data has formed one of the most challenging researchs in recent years. Input of these analysis systems are news sources, social networks, blogs etc. and output is scored text that can be used in production of financial markets predictive or decision support systems. One of the common shortcomings of previous works is the ability to detect time-frames in text, meaning that all documents are considered valid for the same period of time and the difference between the publisher desired timeframes was not considered. In this research, a novel approach is presented to detect tweet time-frame detection using the expert systems, which is able to categorize text in 5 groups of four-hours, daily, weekly, monthly and no-categories.