АСИМЕТРИЧНИЙ АНАЛІЗ ТОНАЛЬНОСТІ ДІЛОВИХ НОВИН В СИСТЕМАХ ПРОГНОЗУВАННЯ ДАНИХ НА ФІНАНСОВИХ РИНКАХ

Автор(и)

  • Денис Ткачик Вінницький національний технічний університет, Вінниця, Україна
  • Роман Квєтний Вінницький національний технічний університет, Вінниця, Україна

DOI:

https://doi.org/10.31649/1999-9941-2023-58-3-65-75

Ключові слова:

історичні дані, ділові новини, аналіз тональності, прогнозування асиметрія, фундаментальний аналіз

Анотація

Анотація.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. Було 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.

Ділові новини є важливим джерелом інформації про стан економіки та ринків. Вони можуть використовуватися для прогнозування майбутніх подій. Одним із методів прогнозування на основі ділових новин є аналіз тональності. Аналіз тональності дозволяє оцінити позитивність або негативність ділових новин. Традиційні методи аналізу тональності використовують симетричний підхід. Це означає, що позитивні та негативні новини однаково враховуються при прогнозуванні. Однак у реальному світі позитивні новини можуть мати більший вплив на ринки, ніж негативні новини. Це пов'язано з тим, що позитивні новини можуть стимулювати економічну активність, а негативні новини можуть її гальмувати.

У статті розглядається застосування асиметричного аналізу тональності ділових новин у системах прогнозування фінансових ринків. Проаналізовано різні методи аналізу тональності ділових новин, їхні переваги та недоліки. Запропоновано новий підхід до аналізу тональності ділових новин, який комплексно використовує штучні нейронні мережі та метод головних компонент.

Біографії авторів

Денис Ткачик , Вінницький національний технічний університет, Вінниця, Україна

аспірант кафедри автоматизації та інтелектуальних інформаційних технологій ВНТУ

Роман Квєтний , Вінницький національний технічний університет, Вінниця, Україна

доктор технічних наук, професор, професор кафедри автоматизації та інтелектуальних інформаційних технологій ВНТУ

Посилання

Д. A. Ткачик, Р. Н. Квєтний, “ Розробка ефективних комбінацій моделей технічного аналізу для прогнозування ринку” Матеріали XLIX Науково-технічної конференції ВНТУ, Вінниця, 27-28 квітня 2020 р.. 2020. [Online]. Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2020/paper/view/9600.

Goodfellow, I., Bengio, Y., Courville, A. (2016). "Deep Learning." MIT Press.

Tsai, C. F., & Wang, C. C. (2018). "Using deep neural network models for risk prediction and classification in real-time financial market." Expert Systems with Applications, 95, 12-27.

D. P. Kroese, S. J. Rubinstein, P. I. Frazier, et al. (2019). "Statistical Machine Learning for Asset Management." Journal of Financial Data Science, 1(1), 2-19.

Tsantekidis, A., Passalis, N., Tefas, A., et al. (2017). "Using deep learning and Google Trends to predict the stock price of a large IT company." Expert Systems with Applications, 73, 125-139.

Stock Market Sentiment Analysis in 2023, 2022. URL: https://research.aimultiple.com/sentiment-analysis-stock-market/

Types of Sentiment Analysis and How Brands Perform Them, 2020. URL: https://www.analyticsinsight.net/types-of-sentiment-analysis-and-how-brands-perform-them/

Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks / B. Liang et al. Knowledge-Based Systems. 2022. Vol. 235. P. 107643. URL: https://doi.org/10.1016/j.knosys.2021.107643

Zhang, Y., Watson, J., & Johnson, J. (2019). "Deep learning in finance." Journal of Economic Dynamics and Control, 98, 1-16.

Yu, L., Wang, S., & Lai, K. K. (2017). "A deep learning and cross-domain approach for stock price movement prediction." Expert Systems with Applications, 83, 56-66.

Hagenau, M., Liebmann, M., & Neumann, D. (2013). "Automated news reading: Stock price prediction based on financial news using context-capturing features." Decision Support Systems, 55(3), 685-697.

References

D. A. Tkachyk, R. N. Kvyetnyy, “ Rozrobka efektyvnykh kombinatsiy modeley tekhnichnoho analizu dlya prohnozuvannya rynku” Materialy XLIX Naukovo-tekhnichnoyi konferentsiyi VNTU, Vinnytsya, 27-28 kvitnya 2020 r.. 2020. [Online]. Rezhym dostupu: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2020/paper/view/9600.

Goodfellow, I., Bengio, Y., Courville, A. (2016). "Deep Learning." MIT Press.

Tsai, C. F., & Wang, C. C. (2018). "Using deep neural network models for risk prediction and classification in real-time financial market." Expert Systems with Applications, 95, 12-27.

D. P. Kroese, S. J. Rubinstein, P. I. Frazier, et al. (2019). "Statistical Machine Learning for Asset Management." Journal of Financial Data Science, 1(1), 2-19.

Tsantekidis, A., Passalis, N., Tefas, A., et al. (2017). "Using deep learning and Google Trends to predict the stock price of a large IT company." Expert Systems with Applications, 73, 125-139.

Stock Market Sentiment Analysis in 2023, 2022. URL: https://research.aimultiple.com/sentiment-analysis-stock-market/

Types of Sentiment Analysis and How Brands Perform Them, 2020. URL: https://www.analyticsinsight.net/types-of-sentiment-analysis-and-how-brands-perform-them/

Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks / B. Liang et al. Knowledge-Based Systems. 2022. Vol. 235. P. 107643. URL: https://doi.org/10.1016/j.knosys.2021.107643

Zhang, Y., Watson, J., & Johnson, J. (2019). "Deep learning in finance." Journal of Economic Dynamics and Control, 98, 1-16.

Yu, L., Wang, S., & Lai, K. K. (2017). "A deep learning and cross-domain approach for stock price movement prediction." Expert Systems with Applications, 83, 56-66.

Hagenau, M., Liebmann, M., & Neumann, D. (2013). "Automated news reading: Stock price prediction based on financial news using context-capturing features." Decision Support Systems, 55(3), 685-697.

##submission.downloads##

Переглядів анотації: 64

Опубліковано

2023-12-29

Як цитувати

[1]
Д. . Ткачик і Р. . Квєтний, «АСИМЕТРИЧНИЙ АНАЛІЗ ТОНАЛЬНОСТІ ДІЛОВИХ НОВИН В СИСТЕМАХ ПРОГНОЗУВАННЯ ДАНИХ НА ФІНАНСОВИХ РИНКАХ», ІТКІ, вип. 58, вип. 3, с. 65–75, Груд 2023.

Номер

Розділ

Математичне моделювання та обчислювальні методи

Метрики

Завантаження

Дані завантаження ще не доступні.