ارائه ­دهنده:
مصطفی طاهری

  استاد راهنما:
دکتر محمدرضا کنگاوری

  هیات داوران:

دکتر بهروز مینایی
 جناب آقای دکتر خواسته


زمان : ۲۹ شهریور ماه ۱۴۰۲

  ساعت ۱۲:۳۰

چکیده پایان نامه :
 

جذابیت ناشی از ارتباط آسان با هزینه حداقلی به‌صورت بین‌المللی در شبکه‌های اجتماعی باعث افزایش روزافزون تعداد اعضای فعال در آنها شده و اعضاء با اشتراک‌گذاری اطلاعاتی، از قبیل اطلاعات شخصی، نظرات دررابطه‌با یک موضوع خاص و پسندیدن و بحث در مورد یک موضوع ارتباطات خود را در سطح فضا بین‌المللی گسترش می‎دهند. همین امر تحلیل داده‌های کلان در شبکه‌های اجتماعی را تبدیل به فرصت بی‌بدیلی برای شرکت‌ها، سازمان‌ها و دولت‌ها جهت دستیابی به اهداف خود مانند کشف بازار هدف، رضایت‌سنجی از طریق فضای مجازی و روان‌شناسی اجتماعی دررابطه‌با یک موضوع خاص نموده است. حال‌آنکه در این فضا به‌واسطه گستردگی استفاده، تعداد بالا نرم‌افزارهای مربوط به این فضا و افزایش روزافزون این داده‌ها، پردازش این داده‌ها که قالب‌های متفاوتی دارند ازیک‌طرف به‌اندازه کافی چالش برانگیز هست درعین‌حال از سمت دیگر باید چالش تغییرات در ساختار این فضا را به‌ازای هر سکو به‌صورت جداگانه مدیریت کرد. با توجه به این توضیحات هدف این مطالعه ایجاد یک سیستم به منظور پیش‌بینی بازار سرمایه می‎باشد که می‌تواند قیمت آتی سهام را بر اساس قیمت سهام قبلی در کنار آنالیز احساسات در فضای مجازی با استفاده از مدلهای یادگیری ماشین پیش‌بینی کند.
در این پایان نامه سعی شده الگوریتم‌های مورداستفاده در این راه به ‌صورت دقیق معرفی شوند، مزایا و معایب آن را در معرض نمایش گذاشتیم و با استفاده از الگوریتم مناسب در پردازش زبان طبیعی بهترین هسته برای یک سیستم توصیه گر را طراحی نمودیم. سیستم پیشنهادی در این تحقیق با استفاده از قیمت‌های نمادهای مختلف در روز های قبل و نظرات کاربران در رسانه های اجتماعی مربوط به این شاخص اقدام به پیش بینی قیمت آتی سهام و یا افزایش و کاهش آن می کند. نتیجه به دست آمده با روش ساده بدون استفاده از نظرات کاربران مقایسه و کارایی پردازش نظرات در افزایش دقت پیش بینی نشان داده می‌شود.
ما به منظور پیاده سازی و آزمایش راهکار پیش‌نهادی مجموعه داده ای متشکل از ۲۴۷۸۲۲ رکورد از نظرات روزانه با سه هشتگ شستا، خودرو و بورس ایجاد کردیم و به منظور اعتبار سنجی آن همچنین از مجموعه داده دریافتی از سازمان بورس ایران استفاده می‎شود که نشانگر افزایش و یا کاهش ارزش یک نماد در روز می‌باشد. در نهایت نتیجه کار، بین پنج تا شش درصد خطای میانگین (۹۴% دقت) می‌باشد. همچنین ما برای این که تاثیر درست آنالیز احساسات بر روی پیش‌بینی ارزش بازار سرمایه را به صورت درست محاسبه کنیم یک بار کل فرآیند را بدون در نظر گرفتن امتیاز مربوط به احساسات برسی نمودیم.