حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 10 01 Design and Evaluation of a Hybrid Natural Language Processing and Machine Learning Model for Economic News Sentiment Analysis to Predict Price Fluctuations in the Iran Mercantile Exchange طراحی و ارزیابی مدل ترکیبی پردازش زبان طبیعی و یادگیری ماشین در تحلیل حس اخبار اقتصادی برای پیش‌بینی نوسانات قیمت بورس کالای ایران 1 25 10.61838/jafci.485 FA امین جمالی گروه مهندسی کامپیوتر، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران حمیدرضا جمالی گروه اقتصاد و مدیریت مالی، دانشگاه اشرفی اصفهانی، اصفهان، ایران Journal Article 1404/12/02 <p>This study aimed to design and evaluate a hybrid Persian natural language processing and machine learning model for extracting economic news sentiment and predicting steel price fluctuations in the Iran Mercantile Exchange. This applied-developmental study employed a descriptive-analytical design based on secondary textual and time-series data. The dataset included 45,836 economic, industrial, and financial news articles published between January 2019 and January 2026 and 1,486 synchronized daily observations of steel billet and sheet transactions. A fine-tuned ParsBERT model classified news as positive, negative, or neutral, and a daily sentiment index was calculated using source credibility, publication timing, and news intensity. Numerical variables included closing prices, trading volume, supply, demand, the informal exchange rate, the global iron ore price, and technical indicators. Random Forest, LSTM, XGBoost, ParsBERT-LSTM, and ParsBERT-XGBoost were compared using walk-forward validation. ParsBERT achieved a sentiment-classification accuracy of 89.4% and an F1 score of 0.887. Granger causality analysis showed that the two-business-day lag of news sentiment significantly predicted price returns, with F = 8.75 and p = 0.003. ParsBERT-XGBoost produced the best performance, with an RMSE of 710 and an MAE of 520 Iranian rials per kilogram. Compared with numerical XGBoost, the hybrid model reduced RMSE by 27.6%. It also achieved a directional accuracy of 72.6%, a win rate of 67.4%, a Sharpe ratio of 1.76, and a maximum drawdown of 9.2%. The informal exchange rate, news sentiment index, and global iron ore price were the most influential predictors. Integrating Persian news embeddings with fundamental, transactional, and technical variables through the ParsBERT-XGBoost architecture improved forecasting accuracy and risk-adjusted performance and may provide an effective decision-support and early-warning tool for the Iran Mercantile Exchange.</p> <p>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.</p> https://www.jafci.com/index.php/jafci/article/download/485/297