طراحی و ارزیابی مدل ترکیبی پردازش زبان طبیعی و یادگیری ماشین در تحلیل حس اخبار اقتصادی برای پیشبینی نوسانات قیمت بورس کالای ایران
کلمات کلیدی:
بورس کالای ایران, پردازش زبان طبیعی, تحلیل حس, پیشبینی قیمت, مدل ترکیبی, یادگیری ماشینچکیده
هدف پژوهش حاضر، طراحی و ارزیابی یک مدل ترکیبی مبتنی بر پردازش زبان طبیعی فارسی و یادگیری ماشین برای استخراج حس اخبار اقتصادی و پیشبینی نوسانات قیمت محصولات فولادی در بورس کالای ایران بود. این پژوهش کاربردی ـ توسعهای با رویکرد توصیفی ـ تحلیلی و بر پایه دادههای ثانویه متنی و سری زمانی انجام شد. دادهها شامل ۴۵٬۸۳۶ خبر اقتصادی، صنعتی و بورسی منتشرشده بین ژانویه ۲۰۱۹ تا ژانویه ۲۰۲۶ و ۱٬۴۸۶ مشاهده روزانه همگامشده از معاملات شمش و ورق فولادی بود. اخبار با استفاده از مدل ParsBERT بازآموزیشده در سه طبقه مثبت، منفی و خنثی طبقهبندی شدند و شاخص حس روزانه با لحاظ وزن منبع، زمان انتشار و شدت خبر محاسبه شد. متغیرهای عددی شامل قیمت، حجم معامله، عرضه، تقاضا، نرخ ارز آزاد، قیمت جهانی سنگآهن و شاخصهای تکنیکال بود. عملکرد مدلهای Random Forest، LSTM، XGBoost، ParsBERT-LSTM و ParsBERT-XGBoost با اعتبارسنجی پیشرونده مقایسه شد. مدل ParsBERT در طبقهبندی حس اخبار به دقت ۸۹.۴ درصد و امتیاز F1 برابر با ۰.۸۸۷ دست یافت. آزمون سببیت گرنجر نشان داد که شاخص حس اخبار در وقفه دو روز کاری، بازدهی قیمت را بهطور معناداری پیشبینی میکند، بهطوریکه F برابر با ۸.۷۵ و p برابر با ۰.۰۰۳ بود. مدل ParsBERT-XGBoost با RMSE برابر با ۷۱۰ و MAE برابر با ۵۲۰ ریال به ازای هر کیلوگرم، بهترین عملکرد را ثبت کرد. این مدل نسبت به XGBoost پایه، RMSE را ۲۷.۶ درصد کاهش داد و به دقت جهتگیری ۷۲.۶ درصد، نرخ برد ۶۷.۴ درصد، نسبت شارپ ۱.۷۶ و حداکثر افت سرمایه ۹.۲ درصد دست یافت. نرخ ارز آزاد، شاخص حس اخبار و قیمت جهانی سنگآهن بهترتیب مهمترین متغیرهای پیشبینیکننده بودند. ادغام بازنمایی معنایی اخبار فارسی با متغیرهای بنیادی، معاملاتی و تکنیکال در معماری ParsBERT-XGBoost، دقت پیشبینی و عملکرد تعدیلشده بر حسب ریسک را بهبود داد و میتواند بهعنوان ابزار پشتیبان تصمیم و هشدار زودهنگام در بورس کالای ایران به کار رود.
دانلودها
مراجع
Aghababaei, M. E., & Aliyan, E. (2022). The Impacts of Investor Sentiment on Liquidity and its Volatility: Evidence from Tehran Stock Exchange. Financial Research Journal, 24(1), 61-80. https://doi.org/10.22059/frj.2021.328773.1007231
Biranvand, Malekolsadati, S. S., & Razmi, S. M. J. (2024). Nowcasting Iran's gross domestic product using sentiment analysis of economic news. Applied Theories of Economics, 11(3), 135-164.
Chantona, K. (2020). News Sentiment Analysis in Forex Trading Using R-CNN on Deep Recurrent Q-Network. In A. Halim, 2020 Fifth International Conference on Informatics and Computing (ICIC), https://doi.org/10.1109/ICIC50835.2020.9288545
Dunham, L. M., & Garcia, J. (2021). Measuring the effect of investor sentiment on financial distress. Managerial Finance, 47(12), 1834-1852. https://doi.org/10.1108/MF-02-2021-0056
Eyshi Ravandi, M., Moeinaddin, M., Taftiyan, A., & Rostami Bashmani, M. (2024). Investigating the Impact of Investor Sentiment and Liquidity on Stock Returns of the Iranian Stock Exchange. Dynamic Management and Business Analysis, 3(1), 40-52. https://doi.org/10.22034/dmbaj.2024.2038046.1068
Faramarzi Babadi, S., Eskandari Asl, H. A., Dolatyari, F., & Alipoor, H. (2024). Limitations of English Language Learning in Universities of Chaharmahal and Bakhtiari Province and Strategies to Overcome Them [Research Article]. Iranian Journal of Educational Sociology, 7(1), 124-132. https://doi.org/10.61838/kman.ijes.7.1.12
Gite, S., Khatavkar, H., Kotecha, K., Srivastava, S., Maheshwari, P., & Pandey, N. (2021). Explainable Stock Prices Prediction From Financial News Articles Using Sentiment Analysis. Peerj Computer Science, 7, e340. https://doi.org/10.7717/peerj-cs.340
Gu, W. J., Zhong, Y. H., Li, S. Z., Wei, C. S., Dong, L. T., Wang, Z. Y., & Yan, C. (2024). Predicting stock prices with FinBERT-LSTM: Integrating news sentiment analysis. Proceedings of the 2024 8th International Conference on Cloud and Big Data Computing,
Hajian Nejad, A., Amiri, H., & Khorram Kouhi, A. (2022). Analyzing the impact of investor sentiment on reactions to earnings news of companies listed on the Tehran Stock Exchange. Journal of Financial Accounting Research, 14(1), 1-20. https://doi.org/10.22108/far.2022.132213.1852
Ittefaq, M., Zain, A., Arif, R., Ala-Uddin, M., Ahmad, T., & Iqbal, A. (2025). Global news media coverage of artificial intelligence (AI): A comparative analysis of frames, sentiments, and trends across 12 countries. Telematics and Informatics, 96, 102223.
Jain, N., Motiani, M., & Kaur, P. (2021). Stock Direction Prediction Using Sentiment Analysis of News Articles. 195-206. https://doi.org/10.1007/978-981-16-2164-2_16
Li, Z., Tian, M., Ouyang, G., & Wen, F. (2020). Relationship Between Investor Sentiment and Earnings News in High‐ and Low‐sentiment Periods. International Journal of Finance & Economics, 26(2), 2748-2765. https://doi.org/10.1002/ijfe.1931
Liu, J. (2023). News tone, investor sentiment, and liquidity premium. International Review of Economics & Finance. https://doi.org/10.1016/j.iref.2022.11.016
Maqbool, J., Aggarwal, P., Kaur, R., Mittal, A. K., & Ganaie, I. A. (2023). Stock Prediction by Integrating Sentiment Scores of Financial News and MLP-Regressor: A Machine Learning Approach. Procedia Computer Science, 218, 1067-1078. https://doi.org/10.1016/j.procs.2023.01.086
Nasseri, A., Ali, F., & Tucker, A. (2016). Good news and bad news: Do online investor sentiments reaction to return news asymmetric?
Nuriksan, S., & Nikmah, N. (2025). Financial News Sentiment and Investor Confidence: Determinants of Stock Price Volatility in IDX30. Journal of Humanities Social Sciences and Business (Jhssb), 4(3), 493-506. https://doi.org/10.55047/jhssb.v4i3.1648
Rognone, L., Hyde, S., & Zhang, S. S. (2020). News Sentiment in the Cryptocurrency Market: An Empirical Comparison with Forex. International Review of Financial Analysis, 69, 101462.
Smales, L. A. (2016). Time-Varying Relationship of News Sentiment, Implied Volatility and Stock Returns. Applied Economics, 48(51), 4942-4960. https://doi.org/10.1080/00036846.2016.1167830
Souma, W., Vodenska, I., & Aoyama, H. (2019). Enhanced News Sentiment Analysis Using Deep Learning Methods. Journal of Computational Social Science, 2(1), 33-46. https://doi.org/10.1007/s42001-019-00035-x
Uhl, M. (2018). Volatility Aversion in the Options Market Based on News Sentiment. 24-35. https://doi.org/10.3905/jod.2018.25.4.024
Vu, L. T. (2023). Sentiments Extracted From News and Stock Market Reactions in Vietnam. International Journal of Financial Studies, 11(3), 101. https://doi.org/10.3390/ijfs11030101
دانلود
چاپ شده
ارسال
بازنگری
پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 Amin Jamali (Corresponding author); Hamid Reza Jamali (Author)
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
