Аналіз емоційного забарвлення тексту для прогнозування даних на фінансових ринках
Денис Ткачик, Роман КвєтнийПрогнозування даних на фінансових ринках є актуальним завданням в сучасному світі, оскільки змога передбачати напрямок руху ринку допомагає інвесторам уникати очевидних ризиків та позбутись додаткових фінансових витрат. Розроблено багато різних торгівельних платформ для швидкого отримання доступу до великих масивів історичних даних, що дозволяє аналізувати фінансовий ринок з будь якої точки планети та в реальному часі, використовуючи тільки ноутбук чи стаціонарний персональний комп’ютер. Такі платформи дозволяють розробляти спеціальні стратегії та підходи на основі фундаментального або технічного аналізу, які враховують новини про ту чи іншу компанію, її дохід, капіталізацію та суму дивідендів, які вона повинна вчасно виплачувати, а також різні технічні індикатори. Новини про ту чи іншу компанію допомагають визначити потенційному інвестору певні ризики, зокрема, кадрові, виробничі чи, найчастіше в сучасних реаліях, репутаційні. Тому при формуванні фундаментального аналізу велику роль грає аналіз текстів новин, і саме тому найбільш ефективно це можна зробити за допомогою використання нейронних мереж. За останнє десятиліття нейронні мережі завдяки технологічним інноваціями та розробкам займають важливе місце в аналізі великих масивів даних, зокрема текстових. Оскільки кожна новина про ту чи іншу компанію, яка є об’єктом для потенційного інвестора чи трейдера, має в собі певне емоційне забарвлення, наприклад, позитивне чи негативне, то його можна визначити за допомогою саме навченої нейронної мережі, що допоможе вносити коректні прогнози на фінансвоих ринках та розробляти ефективні стратегії. В комплексі з технічним аналізом розробка та дослідження такого підходу до прогнозування може давати точні результати. Саме тому наукове дослідження в цьому напрямку є актуальним. В даній науковій статті обгрунтовано актуальність розробки системи прогнозування даних на основі аналізу емоційного забарвлення текстів. Розроблено програмне забезпечення на основі мови програмування Python. Описано результати дослідження, а також представлено вихідні дані роботи розробленої програми з отриманою точністю аналізу. За результатами наукового дослідження зроблено висновки
Використані джерела
[1] Hamborg, F., & Donnay, K. (2021). NewsMTSC: A dataset for (multi-)target-dependent sentiment classification in political news articles. In Proceedings of the 16th conference of the European chapter of the Association for Computational Linguistics (pp. 1663-1675). Stroudsburg: Association for Computational Linguistics. doi: 10.18653/v1/2021.eacl-main.142.
[2] What is polarity and subjectivity in sentiment analysis? (n.d.). Retrieved from https://www.quora.com/What-is-polarity-and-subjectivity-in-sentiment-analysis .
[3] Beri, A. (2020). Sentimental analysis using vader. Retrieved from https://towardsdatascience.com/sentimentalanalysis-using-vader-a3415fef7664 .
[4] Santur, Y. (2019). Sentiment analysis based on gated recurrent unit. In International artificial intelligence and data processing symposium (IDAP) (pp. 1-5). Malatya: IEEE. doi: 10.1109/idap.2019.8875985.
[5] Nguyen, K.V., Nguyen, V.D., Nguyen, P.X.V., Truong, T.T.H., & Nguyen, N.L.-T. (2018). UIT-VSFC: Vietnamese students’ feedback corpus for sentiment analysis. In 10th international conference on knowledge and systems engineering (KSE) (pp. 19-24). Ho Chi Minh City: IEEE. doi: 10.1109/KSE.2018.8573337.
[6] Tkachyk, D., & Zakharchuk, O. (2021). Recognition of emotional coloring of text for fundamental analysis in financial markets. In Collection of scientific papers SCIENTIA. Valencia: European Scientific Platform.
[7] Augustyniak, Ł, Szymański, P, Kajdanowicz, T, & Tuligłowicz, W. (2016). Comprehensive study on lexicon-based ensemble classification sentiment analysis. Entropy, 18(1), article number 4. doi: 10.3390/e18010004
[8] Liang, B., Su, H., Gui, L., Cambria, E., & Xu, R. (2022). Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks. Knowledge-Based Systems, 235, article number 107643. doi: 10.1016/j.knosys.2021.107643.
[9] Tkachyk, D.A., & Kvetny, R.N. (2020). Development of effective combinations of technical analysis models for market forecasting. In Proceedings of the XLIX scientific and technical conference of VNTU divisions. Vinnytsia: VNTU.