عنوان ترجمه شده مقاله: پشی بینی شاخص بازار بورس با استفاده از شبکه های عصبی عمیق باز رخدادگر

Investors make decisions based on various factors, including consumer price index, price-earnings ratio, and also miscellaneous events reported by newspapers. In order to assist their decisions in a timely manner, many studies have been conducted to automatically analyze those information sources in the last decades. However, the majority of the efforts was made for utilizing numerical information, partly due to the difficulty to process natural language texts and to make sense of their temporal properties. This study sheds light on this problem by using deep learning, which has been attracting much attention in various areas of research including pattern mining and machine learning for its ability to automatically construct useful features from a large amount of data. Specifically, this study proposes an approach to market trend prediction based on a recurrent deep neural network to model temporal effects of past events. The validity of the proposed approach is demonstrated on the real-world data for ten Nikkei companies

اصولاٌ سهام داران به منظور سرمایه گذاری،  بر مبنای  معیار های مختلفی  مانند شاخص قیمت مصرف کننده، نسبت درآمد قیمت و رویداد های مختلفی که توسط روزنامه های مختلف بیان میشود، اقدام به تصمیم گیری میکنند. به منظور کمک به پروسه ی تصمیم گیری آنی، در دهه ی اخیر بسیاری از مطالعات  به تحلیل خودکار  این منابع اطلاعاتی پرداخته اند. اگرچه بسیاری از فعالیت هایی که به منظور بکار گیری اطلاعات عددی صورت گرفته است، تا  در پردازش متون زبان طبیعی و معنی دار نمودن مشخصه های موقت با مشکل روبرو بوده اند. در این مقاله قصد داریم با استفاده از تکنیک یادگیری عمیق ، که در حوزه های پژوهشی زیادی مانند الگوکاوی و یادگیری ماشین و توانایی آن در ایجاد ویژگی های مفید  در داخل حجم زیادی از داده ها،  مورد توجه زیادی قرار گرفته است، به این مسئله پاسخ دهیم. به طور خاص، در این مطالعه روشی برای پیش بینی شاخص بازار بر مبنای شبکه ی عصبی عمیق باز رخداد گر ارائه شده تا بتوان تأثیرات موقت رویداد هایی که در گذشته صورت گرفته است را مدل سازی کنیم. اعتبار روش پیشنهادی ، برای شرکت های Nikkei و برای داده های واقعی اثبات شده است.

1-مقدمه

به منظور کمک به سهام داران در پروسه ی تصمیم گیری، روش های یادگیری ماشین در سطح زیادی مطالعه شده اند تا بتوان حجم زیادی از اطلاعات مالی، مانند قیمت های سهام در گذشته را به صورت خودکار مورد تحلیل قرار داد. از سوی دیگر، سهام داران بر مبنای اطلاعات عددی و رویداد های مختلفی که در روزنامه ها بدان اشاره میشود به تحلیل  و پیش بینی شاخص بازار سهام پرداخته اند. بنابراین پژوهش هایی مانند لاورنیک [9,10] و  شوماخر [13] به مطالعه ی این سیستم پرداخته تا از این اطلاعات در زبان طبیعی استفاده کنند.  با توجه به دانشی که در اختیار داریم، اگرچه همه ی فعالیت هایی که قبلاٌ در این خصوص صورت گرفته است(حداکثر کیسه n گرم) ، ماهیت و مفاد کلمات را نادیده گرفته است . همچنین بسیاری از این مطالعات، تأثیرات موقت مربوط به رویداد هایی که در گذشته به وقوع پیوسته است را در نظر نگرفته اند. قیمت سهام همواره با تأثیر پذیری از رویداد هایی که در دنی صورت میگیرد، تغییر یافته است. بعضی از این رویداد ها ممکن است برای یک بازه ی زمانی کوتاه بر روی قیمت سهام تأثیر داشته باشد و بعضی دیگر ممکن است تأثیرات  بلند مدتی داشته باشد. برای  مثال، در زمانی که برادران لمان در 15 سپمامبر 2008 میلادی دچار ورشکستگی شدند، بسیاری از قیمت های سهام در آخر ماه اکتبر کاهش پیدا کرد. چنین تفاوت موقت در زمان عمر یک رویداد را باید در پیش بینی شاخص قیمت سهام در تظر گرفت…