دانلود ترجمه مقاله پیش بینی بازار سهام با مدل RNN ترکیبی عمیق و تحلیل حساسیت

1. مقدمه 2. کارهای مرتبط 3. مدل پیش بینی پیشنهادی 4. مدل RNN ترکیبی پیشنهادی 5. نتایج آزمایشی 6. نتایج آزمایش و بحث و بررسی 7. نتیجه گیری

چکیده – تغییرات بازار سهام، سهام و نرخ مبادله، موضوعات و زمینه های پژوهشی پایه برای تحلیلگران و پژوهشگران می باشند. قیمت های سهام تحت تاثیر اخبار مالی قرار می گیرند که نشان داده شده عنصر مهمی در نوسانات قیمت های سهام باشند. علاوه بر آن، پژوهش های قبلاً انجام شده عمدتاً مشخصه های غیرتفصیلی را ارزیابی کرده اند و روابط کارآمد بین کلمات یک جمله را نادیده گرفته اند. بسیاری از مطالعات تلاش کرده اند تا واکنش احساسی سرمایه گذاران به اخبارهای متناظر را تحلیل کنند. در این مقاله، روشی منحصربفرد برای پیش بینی روند قیمت سهام با استفاده از ویژگی های سهام و همچنین اخبار مالی را پیشنهاد دادیم. روش پیشنهادی، معماری «شبکه عصبی مکرر ترکیبی» (HyRNN) است. این طرح شامل حافظه کوتاه مدت طولانی دو طرفه (Bi-LSTM) بر بالای واحد مکرر گیت دار (GRU) و حافظه کوتاه مدت طولانی انباشته (sLSTM)، می باشد. عملکرد HyRNN برای پیش بینی قیمت سهام را می توان به میزان قابل ملاحظه ای با ترکیب زمینه (مثبت و منفی) اخبارهای مالی با ویژگی های سهام به عنوان یک ورودی و نهادی به مدل، بهبود بخشید. در مقایسه با مدل های آماری قبلی، مدل توصیه شده، قابلیت تحلیلی مدل های GRU، LSTM، RNN و مدل های پیشنهادی را به صورت مستقل افزایش می دهد. یافته های این مطالعه نشان می دهند که روش «یادگیری عمیق» (DL) پتانسیل بالایی برای پیش بینی تغییرات قیمت سهام دارد.

Stock market movements, stocks, and exchange rates are the primary subjects and active areas of research for analysts and researchers. The stock prices is being influenced by financial news, which has been demonstrated to be an important element in fluctuating stock prices. Furthermore, previous research mostly evaluated shallow characteristics and ignored functional relationships between words in a sentence. Many studies have attempted to analyse the sentiment of investors’ reactions to corresponding news occurrences. In this paper, we proposed a unique methodology for predicting the stock prices trend by using both stock features and financial news. The proposed methodology is the hybrid Recurrent Neural-Network (HyRNN) architecture. This design includes Bidirectional Long Short-Term Memory (Bi-LSTM) on top of the Gated Recurrent Unit (GRU) and stacked Long Short-Term Memory (sLSTM). The performance of HyRNN for forecasting stock price can be considerably improved by mixing the sentiments of financial news with the features of stock as an input to the model. In comparison to earlier statistical models, the suggested model increases the analysing capability of GRU, LSTM, RNN, and proposed models independently. The findings of this study shows the deep learning (DL) approach has high potential for predicting stock price changes.