ارائه کننده: حانيه عامري شهرابي
استاد راهنما: دكتر محمد علي رستگار سرخه
استاد مشاور: دكتر مهرداد كارگري
استاد داور داخلي: دكتر حميد بنائيان
استاد داور خارج از دانشگاه: دكتر احسان حاجي زاده
نماينده تحصيلات تكميلي: دكتر حميد بنائيان
تاریخ: 1403/12/11       
ساعت: 17:00
مكان: كلاس P2 روبروي محوطه پاركينگ دانشكده فني و مهندسي

چکیده:
پیش‌بینی روند بازارهای مالی یکی از چالش‌های اساسی در حوزه سرمایه‌گذاری است. در سال‌های اخیر، با گسترش شبکه‌های اجتماعی، تحلیل احساسات سرمایه‌گذاران از طریق متون منتشرشده در این پلتفرم‌ها به‌عنوان یک منبع ارزشمند در تصمیمات معاملاتی مورد توجه قرار گرفته است. این پژوهش با هدف طراحی و ارزیابی یک استراتژی معاملاتی ترکیبی مبتنی بر تحلیل احساسات و یادگیری ماشین انجام شده است. برای این منظور، از داده‌های سری زمانی قیمت سهام و نظرات منتشرشده در شبکه اجتماعی توییتر استفاده شده است. در بخش تحلیل احساسات، مدل‌های RoBERTa و FinBERT به کار گرفته شدند و مدل RoBERTa تنظیم دقیق‌شده نیز برای بهینه‌سازی دقت تحلیل‌های مالی مورد استفاده قرار گرفت. توییت‌های مرتبط با دو سهم تسلا و مایکروسافت جمع‌آوری و برچسب‌گذاری شدند. سپس، از روش نگاشت عددی برچسب‌های احساسی استفاده شد که برچسب مثبت، خنثی و منفی را به مقادیر عددی تبدیل کرده و با اعمال وزن‌های متفاوت، شاخصی برای احساسات روزانه سهام ایجاد گردید.در بخش یادگیری ماشین، از مدل‌های درخت تصمیم و رگرسیون لجستیک برای پیش‌بینی حرکت قیمت سهام استفاده شد. سپس، سیگنال‌های یادگیری ماشین با سیگنال‌های تحلیل احساسات ترکیب شده و استراتژی معاملاتی هیبریدی طراحی شد. نتایج پژوهش نشان داد که مدل‌های مبتنی بر یادگیری ماشین نسبت به استراتژی خرید و نگهداری عملکرد بهتری دارند. همچنین، مدل RoBERTa تنظیم‌شده در هر دو سهام بهترین عملکرد را در استخراج سیگنال‌های احساسی داشت. ترکیب تحلیل احساسات و یادگیری ماشین در استراتژی هیبریدی منجر به بهبود بازدهی معاملات نسبت به حالت سنتی خرید و نگهداری شد و نشان داد که احساسات منتشرشده در شبکه‌های اجتماعی، زمانی که حجم بالایی دارند، تأثیر مستقیمی بر رفتار بازار دارند.از مهم‌ترین محدودیت‌های این پژوهش می‌توان به محدودیت‌های استخراج داده‌های توییتر به دلیل تغییرات در قوانین این پلتفرم و نیاز به سخت‌افزار قدرتمند برای تنظیم دقیق مدل‌های ترنسفورمر اشاره کرد. در پژوهش‌های آتی می‌توان از توییت‌های افراد تأثیرگذار و خبرگذاری‌های معتبر در بازارهای مالی به‌جای تمام توییت‌ها استفاده کرد.