تجدید نظر در استفاده از داده های جستجوی وب برای حرکات بازار سهام

  • 2022-08-6

پیشرفت در داده های بزرگ باعث می شود پیش بینی های کوتاه مدت برای روند بازار از منابع قبلاً ناشناخته انجام شود. استراتژی های معاملاتی اخیراً با بهره برداری از پیوند بین فعالیت جستجوی آنلاین از اصطلاحات خاص که از لحاظ معنایی مربوط به امور مالی و حرکات بازار است ، تهیه شده است. در اینجا ما با بررسی یک استراتژی داده محور که به طور تطبیقی از خدمات همبستگی Google استفاده می کند ، بر اساس این نتایج قبلی ساخته می شویم و به طور خودکار مجموعه جدیدی از اصطلاحات جستجو را برای هر تصمیم معاملاتی انتخاب می کند. در یک آزمایش پشتی که از سال 2008 تا 2017 اجرا می شود ، بازده تجمعی 499 ٪ را بدست آوردیم که با استراتژی های معیار مطلوب مقایسه می شود. یک تمرین شلوغی نشان می دهد که اصطلاح فرایند انتخاب ترجیحاً اصطلاحات بسیار خاصی را که از لحاظ مالی مربوط به امور مالی است (به عنوان مثال Wells Fargo Bank) انتخاب می کند ، که ممکن است منافع گذرا سرمایه گذاران را به خود جلب کند ، اما با هزینه کمتری از اعتبار. استراتژی تطبیقی به سرعت مجموعه ای از اصطلاحات جستجو را هنگام یافتن ترکیب بهتر به روز می کند و منجر به پیش بینی سازگارتر می شود. ما پیش بینی می کنیم که این چارچوب تصمیم گیری تطبیقی نه تنها برای کاربردهای مالی ، بلکه در سایر زمینه های علوم اجتماعی محاسباتی نیز می تواند از ارزش باشد ، جایی که ارتباط بین جنبه های رفتار انسانی جمعی و جستجوهای آنلاین می تواند از داده های ردپای دیجیتال استنباط شود.

معرفی

پیشرفت در یادگیری ماشین با در دسترس بودن مجموعه داده های بسیار بزرگ تولید شده توسط دستگاه های تلفن همراه ، تصاویر ماهواره ای ، سنسورهای توزیع شده و فعالیت های اینترنتی باعث افزایش علاقه به پتانسیل داده های بزرگ می شود تا روند تصمیم گیری سرمایه گذاری را در موسسات مالی تغییر دهند. مجموعه داده های عظیم حاوی ردپای دیجیتالی تعامل بین افراد و اینترنت ، مانند سیاهههای مربوط به دسترسی ویکی پدیا ، توییتر و ترافیک جستجوی وب در Google و Yahoo!، پنجره ای را به رفتار جمعی میلیون ها نفر ارائه دهید. همبستگی های موجود بین چنین داده ها و نتایج دنیای واقعی اکنون به طور معمول برای پیش بینی های کوتاه مدت (یا "nowcasts") از علاقه عملی بسیار زیاد مانند حرکات بازار سهام 1،2،3،4 ، اپیدمی آنفلوانزا 5،6،7،8 استفاده می شود.، رفتار مصرف کننده 9 و نرخ بیکاری 10،11.

Google Trends یک سرویس در دسترس عموم است که حجم جستجوی عادی را برای شرایط داده شده در یک پنجره زمانی و جغرافیا باز می گرداند. این اطلاعات ، که به عنوان داده های جستجوی وب شناخته می شود ، نشان دهنده علاقه های به سرعت در حال تغییر میلیون ها نفر از افراد است که در مورد تجارت جمع آوری اطلاعات به صورت آنلاین می روند. نشان داده شده است که حجم جستجوی اصطلاحات خاص که دارای یک رابطه معنایی با امور مالی هستند می توانند تعدادی از متغیرهای مورد علاقه ، مانند حجم معاملات سهام 12 ، نوسانات بازار 13 و نقدینگی 14 ، سهام بازده 15،16 و همچنین پیش بینی کنند. قیمت بیت کوین 17. این یافته برای توسعه استراتژی های معاملاتی سهام سهام برای هدف قرار دادن حرکات بازار 1،18،19 و ریسک 20،21 استفاده شده است.

مطالعات منی نشان داد که حجم جستجوی اصطلاحات خاص از لحاظ معنایی با مالی دارای قدرت پیش بینی کننده در حرکات بازار سهام است ، در مقایسه با طیف گسترده ای از موضوعات دیگر. ارتباط برخی از شرایط برای تأمین مالی ، مانند نام شرکت 18 یا تیک 20 ، گاهی اوقات مبتنی بر عقل سلیم است. برخی دیگر برای جمع آوری مجموعه ای از اصطلاحات متعلق به یک موضوع خاص 1،22 رویکرد کمی اتخاذ کرده اند. پس از انتخاب شرایط جستجو ، آنها در طول اجرای معاملات خودکار ثابت باقی می مانند. این فرض می کند که پیش بینی مجموعه اولیه اصطلاحات در طولانی مدت ثابت است ، که به دلیل ماهیت غیر ثابت سری زمانی مالی مشکل ساز است. در واقع ، Curme و همکاران. نشان داد که پیش بینی شرایط جستجوی آنها محدود به دوره ای از سال 2006 تا 2011 است. ما همچنین نتایج مشابهی را در آزمایش خود برای استراتژی های مبتنی بر اصطلاحات جستجوی ثابت ارائه شده توسط Preis و همکاران پیدا کردیم. 1 و Heiberger 18 (شکل 1 را ببینید). یک فرض متداول در استراتژی های مبتنی بر جستجوی وب بر اساس نظریه تصمیم گیری هربرت سیمون 23 است ، جایی که عدم اطمینان درک شده در مورد یک چشم انداز باعث می شود روند تصمیم گیری افراد ، که با جمع آوری اطلاعات آغاز می شود. این منجر به یک اکتشافی تصمیم می شود که در آن افزایش نسبی در حجم جستجو در این اصطلاحات ، پروکسی برای عدم اطمینان سرمایه گذار است که حاکی از سطح بالاتری از ریسک است و در نتیجه باعث ایجاد موقعیت کوتاه می شود. از طرف دیگر ، کاهش حجم جستجو نشانه اعتماد به نفس سرمایه گذار محسوب می شود و باعث ایجاد موقعیت طولانی می شود. این استراتژی ها به طرز چشمگیری قابل توضیح هستند ، اما روابط دیگری را که ممکن است دارای خاصیت پیش بینی بهتر باشند ، در نظر نمی گیرند.

figure 1

مقایسه بازده تجمعی استراتژی تجارت تطبیقی در برابر استراتژی خرید و نگه داشتن پایه و سه استراتژی معیار در یک آزمایش پشتی که از 6 ژانویه 2008 تا 26 مارس 2017 اجرا می شود. Hyperparameters مدل ما و یک دوره آزمایش. استراتژی خرید و نگه داشتن پایه به سادگی با خرید DJIA در ابتدای آزمایش و نگه داشتن نمونه کارها تا پایان ، بازار را دنبال می کند. استراتژی Kristoufek از بازار با مکانیسمی که به آن امکان می دهد ریسک را با استفاده از داده های جستجوی وب متنوع کند ، دنبال می کند و منجر به عملکرد بهتر از خرید و نگه داشتن می شود. تمام استراتژی های دیگر با تجزیه و تحلیل داده های جستجوی وب ، به طور خودکار کل نمونه کارها یا سهام فردی را به صورت هفتگی طولانی یا کوتاه می کنند. استراتژی های ارائه شده توسط Preis و همکاران. و هیبرگر استاتیک هستند. آنها از شرایط جستجوی از پیش تعریف شده و اکتشافی تصمیم گیری ثابت استفاده می کنند. بازده برای این دو استراتژی اشباع پس از سال 2012 ، اثبات از دست دادن پیش بینی. با انتخاب اصطلاحات مختلف جستجوی و بازآموزی یک مدل پیش بینی کننده برای هر تصمیم ، استراتژی تطبیقی در پایان آزمایش ، ارزش نمونه کارها را نزدیک به 500 ٪ افزایش می دهد ، که 404 ٪ بیشتر از بیشترین استراتژی معیار (کریستوفک) است.

در این مقاله ما یک استراتژی برای پیش‌بینی حرکات بازار با داده‌های جستجوی وب با ترکیب یک رویکرد تطبیقی با انتخاب عبارت جستجوی خودکار پیشنهاد می‌کنیم. روش‌های تطبیقی برای Nowcasting بر اساس داده‌های جستجوی وب برای آنفلوانزا در حال پخش در 6 معرفی شد. مدل آنها هر هفته در نقاط داده Google Flu Trends از 16 هفته قبل بازآموزی می شد. عبارات جستجوی مورد استفاده برای استخراج Google Flu Trends گهگاه توسط Google به روز می شوند تا به تغییرات در رفتارهای جستجو پاسخ دهند. در اینجا مجموعه عبارات جستجو را با پرس و جو از سرویس Google Correlate (GCS) به دفعات بیشتر (هفتگی) به روز می کنیم. GCS تا 100 عبارت جستجو را برمی‌گرداند که با ضریب همبستگی پیرسون بین حجم جستجو و سری زمانی هدف رتبه‌بندی شده‌اند. در مورد ما، سری زمانی هدف، شاخص میانگین صنعتی داوجونز (DJIA) در یک پنجره ثابت قبل از هفته معاملاتی است (به روش‌ها مراجعه کنید). از آنجایی که شرکت‌های موجود در DJIA همگی در ایالات متحده مستقر هستند، ما آمار حجم جستجو را به آن جغرافیا محدود می‌کنیم. به‌جای تکیه بر روابط اکتشافی بین حجم جستجو و حرکات بازار، ما یک مدل رگرسیون خطی را آموزش می‌دهیم که حجم جستجوی عبارات بازگردانده شده توسط GCS را برای پیش‌بینی DJIA برای دو هفته آینده ترکیب می‌کند، جایی که ما با تنظیم عبارات جستجوی برگشتی، بیش از حد برازش را مدیریت می‌کنیم. توسط GCS با استفاده از تکنیک انتخاب ویژگی خودکار.

متأسفانه، GCS فقط داده‌های جستجوی وب را تا 12 مارس 2017 ارائه می‌کند، که از دستیابی عبارات جستجوی مرتبط و حجم جستجوی با دقت بالا آنها پس از آن تاریخ جلوگیری می‌کند. آزمایش‌های ما از تمام داده‌هایی استفاده می‌کنند که می‌توان از GCS به آنها دسترسی پیدا کرد و پتانسیل انتخاب کمی و تطبیقی عبارات جستجو را برای پیش‌بینی حرکات بازار نشان می‌دهد. علاقه روزافزون به یافتن همبستگی ها در داده های جستجوی وب، که این مقاله نمونه ای از آن است، ممکن است انگیزه هایی را برای سایر موتورهای جستجو ایجاد کند تا عملکردهای مشابهی را در آینده نزدیک ارائه دهند.

نتایج

برای ارزیابی عملکرد استراتژی تطبیقی خود، آزمایش تجاری ارائه شده توسط پریس و همکاران را تکرار می کنیم. 1 در یک بازه زمانی جدیدتر (6 ژانویه 2008 تا 26 مارس 2017). در این آزمایش، یکی از دو گزینه معاملاتی موجود را در پایان هر هفته t اجرا می کنیم:

طولانی: خرید DJIA به قیمت پایانی P اولین روز معاملاتی هفته t + 1 و فروش DJIA به قیمت پایانی اولین روز معاملاتی هفته t + 2. یا

کوتاه: فروش DJIA با قیمت پایانی اولین روز معاملاتی هفته T + 1 و خرید DJIA با قیمت بسته شدن اولین روز معاملات هفته T + 2.

اگر مدل رگرسیون ما روند فزاینده ای از DJIA را از T + 1 تا T + 2 پیش بینی کند ، ما گزینه طولانی را اجرا می کنیم ، که مقدار نمونه کارها V را در T + 2 تا \ (V (T + 2) = V (T + تغییر می دهد) تغییر می دهد. 1) P (t+2)/p (t+1) \). در غیر این صورت ، ما گزینه کوتاه را اجرا می کنیم و یک نمونه کارها از مقدار \ (v (t+1) p (t+1)/p (t+2) \) را در t+2 دریافت می کنیم.

شکل 1 عملکرد استراتژی تطبیقی ما را با استراتژی خرید و نگه داشتن پایه و همچنین سه استراتژی معیار بر اساس داده های جستجوی وب مقایسه می کند:

Preis و همکاران. 1: با استفاده از بدهی ، اصطلاح جستجوی بهترین عملکرد در بین 98 کلمه کلیدی متفاوت از نظر معنایی که در 1 مورد مطالعه قرار گرفته است برای تجارت DJIA یافت شد.

Kristoufek (2013) 20: استفاده از تیکت های شرکت ها (به عنوان مثال XOM) به عنوان شرایط جستجو برای متنوع سازی نمونه کارها در بین سهام در DJIA.

Heiberger (2015) 18: استفاده از نام شرکت ها (به عنوان مثال ExxonMobil) به عنوان شرایط جستجو برای تجارت سهام فردی در DJIA.

جزئیات اجرای این سه استراتژی در روش ها شرح داده شده است. استراتژی خرید و نگه داشتن پایه از همه استراتژی های دیگر بهتر است. این تنها به بازده تجمعی نهایی 61 ٪ (ارزش نمونه کارها نهایی/ارزش نمونه کارها اولیه - 1) می رسد ، زیرا به سادگی از بازار پیروی می کند. استراتژی Kristoufek همچنین از بازار پیروی می کند ، اما با متنوع سازی پویا نمونه کارها با استفاده از داده های جستجوی وب ، بازده تجمعی بالاتری (96 ٪) را به همراه دارد. محدودیت استراتژی کریستوفک عدم وجود مکانیسمی است که به آن اجازه می دهد تا بازار نزولی را ترک کند ، و این باعث می شود که در برابر رکودهای بازار آسیب پذیر باشد. استراتژی توسعه یافته توسط Preis و همکاران. برگها (ورود) در هنگام پیش بینی سطح (کاهش) ریسک ، که منجر به بازده تجمعی 327 ٪ از سال 2004 تا 2013 1 شد. این استراتژی در یک دوره نسبتاً باریک (اواخر 2008 - صبح 2010) نسبت به مدت زمان آزمایش ما مؤثر است و به طور کلی 95 ٪ بازده را به همراه دارد. استراتژی هیبرگر نیز در دو دوره نسبتاً باریک (اواخر سال 2008 - اوایل 2009 و اواسط 2011 - اوایل 2012) مؤثر است و در نتیجه بازده 81 ٪ در پایان آزمایش است. استراتژی تطبیقی ما به طور قابل توجهی از معیارها فراتر می رود و نزدیک به 500 ٪ بازده تجمعی نهایی را ایجاد می کند ، که 404 ٪ بیشتر از بهترین استراتژی معیار (کریستوفک) است.

جدول 1 میانگین، انحراف استاندارد (STD) و نسبت شارپ بازده هفتگی (\(V(t+1)/V(t)-1\)) استراتژی تطبیقی، استراتژی پایه، و معیار را مقایسه می کند. استراتژی ها. استراتژی تطبیقی بالاترین میانگین بازده هفتگی را ایجاد می کند، که منجر به بالاترین بازده تجمعی همانطور که در شکل 1 نشان داده شده است. STD بازده هفتگی معیاری برای تغییرپذیری و در نتیجه ریسک است. استراتژی هایبرگر سهام های فردی را به طور جداگانه معامله می کند، که به تنوع ریسک کمک می کند و منجر به وسیع ترین وسعت پرتفوی و کمترین ریسک می شود. نسبت شارپ معیاری است که معمولاً برای ارزیابی عملکرد پرتفوی تعدیل شده با ریسک استفاده می شود که ریسک بالا را جریمه می کند. استراتژی تطبیقی نسبت شارپ را ایجاد می کند که بیش از دو برابر هر استراتژی دیگری است.

جدول 1 میانگین، انحراف استاندارد (STD) و نسبت شارپ بازده هفتگی \(V(t+1)/V(t)-1\) استراتژی تطبیقی در مقابل سایر استراتژی ها.

برای آزمایش اینکه آیا عملکرد استراتژی‌های مبتنی بر داده‌های جستجوی وب ممکن است ناشی از شانس باشد، از همان رویکردی پیروی می‌کنیم که در ابتدا توسط پریس و همکاران در این زمینه پیشنهاد شده بود. 1، به موجب آن ما استراتژی ها را با جایگزینی تصمیمات معاملاتی با انتخاب های تصادفی نامرتبط تصادفی می کنیم. برای کریستوفک (2013)، ما تخصیص پورتفولیو را در بین سهام در DJIA به طور یکنواخت مخلوط می کنیم. برای پریس و همکاران.(2013)، هایبرگر (2015)، و استراتژی تطبیقی، گزینه های بلند یا کوتاه با همین احتمال اجرا می شوند. ما تخمین چگالی هسته (KDE) را با یک هسته گاوسی و پهنای باند محاسبه شده با قاعده کلی سیلورمن، از ارزش پرتفوی نهایی از 10000 تحقق مستقل از هر استراتژی تصادفی محاسبه می کنیم. احتمال اینکه به‌جای تجارت با استفاده از داده‌های جستجوی وب، عملکرد بهتری را می‌توان به‌طور تصادفی به‌دست آورد، از KDE محاسبه شده و در جدول 2 فهرست شده است. احتمال اینکه ارزش سبد نهایی بالاتری نسبت به استراتژی تطبیقی به‌طور تصادفی به دست آید، تنها 9. 08e است.-04. این احتمال حداقل دو مرتبه کوچکتر از نتایج استراتژی های معیار است.

Curme و همکاران. از ویندوز همپوشانی استفاده شده برای تجزیه و تحلیل تغییرات در عملکرد استراتژی معاملاتی که آنها 22 پیشنهاد کرده اند. ما این رویکرد را برای مطالعه تغییرات زمانی در پیش بینی یک استراتژی تجاری معین دنبال می کنیم. با حرکت پنجره به جلو ، از دست دادن پیش بینی با افزایش احتمال اینکه بازده بهتری به طور اتفاقی حاصل شود ، شناسایی می شود. شکل 2 این احتمال را برای استراتژی های معیار به همراه استراتژی تطبیقی محاسبه شده در شش ویندوز 4 ساله با هم تداخل نشان می دهد (ویندوزهای مجاور با سه سال با هم همپوشانی دارند). استراتژی های معیار فقط برای برخی از ویندوزهای زمانی خاص پیش بینی بالایی را نشان می دهد. از طرف دیگر ، استراتژی تطبیقی به طور مداوم پیش بینی بالایی را در تمام پنجره ها نشان می دهد.

figure 2

تأثیر تغییر پنجره زمان بر پیش بینی ، اندازه گیری شده به عنوان احتمال بهتر از این به احتمال زیاد (احتمال پایین تر به معنای پیش بینی بالاتر است). ما از رویکرد شرح داده شده در زیرنویس جدول 2 استفاده می کنیم ، اما احتمال را در شش پنجره 4 ساله با هم همپوشانی به جای تمام مدت زمان آزمایش (9 سال 3 ماه) محاسبه می کنیم. پیش بینی استراتژی های معیار با حرکت پنجره متفاوت است ، در حالی که استراتژی تطبیقی به طور مداوم پیش بینی بالایی دارد.

به منظور تعیین کمیت سهم نسبی در بازده نمونه کارها از تصمیمات طولانی و کوتاه ، ما استراتژی تطبیقی را به روشی که در 1 پیشنهاد شده است اصلاح می کنیم که فقط تصمیمات طولانی یا کوتاه را اجرا می کنیم. به عنوان مثال ، هنگام ارزیابی سهم تصمیمات کوتاه ، ما فقط تصمیمات کوتاه می گیریم و تصمیمات طولانی را نادیده می گیریم. شکل 3 (الف) بازده تجمعی به دست آمده توسط نسخه های تنها و تنها کوتاه استراتژی تطبیقی را نشان می دهد. هر دو تصمیمات طولانی و کوتاه باعث افزایش ارزش نمونه کارها می شوند ، اما سهم آنها در عملکرد نمونه کارها به طور قابل توجهی متفاوت است. تصمیمات طولانی در مقایسه با تصمیمات کوتاه بازده های کوچک اما پایدار ایجاد می کند. در مقابل ، به نظر می رسد نقش تصمیمات کوتاه تشخیص رکودهای پایدار DJIA است. این با بازده مثبت مثبت مشاهده شده در چهار دوره کوتاه پیشنهاد شده است (به میله های آبی در شکل 3 (الف) مراجعه کنید) ، هنگامی که این استراتژی تصمیم به ترک بازار با چهار رکود پایدار بازار گرفت: بحران مالی جهانی در سال 2008 ، اروپاییبحران بدهی در سال 2010 و 2011 و فروش بازار سهام 2015. این تفاوت را می توان در دو KDE برای تنها طولانی و تنها بازده کوتاه در ویندوزهای 8 هفته ای همپوشانی مشاهده کرد (شکل 3 (B)). تنها بازده های کوتاه به طور قابل توجهی بیشتر به سمت راست (\ (skewness = 1. 9 \)) نسبت به بازده های طولانی (\ (skewness = 0. 3 \)) است ، که این نشان دهنده احتمال بالاتر برای به دست آوردن بازده بزرگتر است. تصمیمات طولانی منجر به بازده متوسط بزرگتر (2. 0 ٪) و STD کوچکتر (4. 6 ٪ از تصمیمات کوتاه (میانگین = 1. 2 ٪ ، STD = 6. 3) می شود. این به معنای رشد پایدار و کم خطر در ارزش نمونه کارها است.

figure 3

مشارکت در بازگشت تجمعی به دلیل تصمیمات طولانی و کوتاه استراتژی تطبیقی. هنگام تعیین سهم تصمیمات طولانی ، ما استراتژی تطبیقی را به گونه ای اجرا می کنیم که تصمیمات طولانی را هنگام توصیه اجرا می کنیم اما هرگز تصمیمات کوتاه را اجرا نمی کنیم. برعکس ، هنگام ارزیابی سهم تصمیمات کوتاه ، ما فقط تصمیمات کوتاه می گیریم اما هرگز تصمیمات طولانی نمی گیریم.(الف) بازگشت تجمعی (محور چپ) برای تصمیمات فقط و فقط کوتاه و DJIA (محور راست).(ب) KDE بازده در پنجره های هشت هفته ای با هم همپوشانی ، که فقط توسط تصمیمات طولانی و فقط کوتاه به دست می آید. تصمیمات طولانی در مقایسه با تصمیمات کوتاه بازده های کوچکتر اما پایدار ایجاد می کند. تصمیمات کوتاه در برخورد با چهار رکود پایدار بازار که توسط میله های آبی در (A) نشان داده شده است ، بهتر است ، که مربوط به بحران مالی جهانی در سال 2008 ، بحران بدهی اروپا در سال 2010 و 2011 و فروش بازار سهام 2015 است.< Pan> مشارکت در بازگشت تجمعی به دلیل تصمیمات طولانی و کوتاه استراتژی تطبیقی. هنگام تعیین سهم تصمیمات طولانی ، ما استراتژی تطبیقی را به گونه ای اجرا می کنیم که تصمیمات طولانی را هنگام توصیه اجرا می کنیم اما هرگز تصمیمات کوتاه را اجرا نمی کنیم. برعکس ، هنگام ارزیابی سهم تصمیمات کوتاه ، ما فقط تصمیمات کوتاه می گیریم اما هرگز تصمیمات طولانی نمی گیریم.(الف) بازگشت تجمعی (محور چپ) برای تصمیمات فقط و فقط کوتاه و DJIA (محور راست).(ب) KDE بازده در پنجره های هشت هفته ای با هم همپوشانی ، که فقط توسط تصمیمات طولانی و فقط کوتاه به دست می آید. تصمیمات طولانی در مقایسه با تصمیمات کوتاه بازده های کوچکتر اما پایدار ایجاد می کند. تصمیمات کوتاه در برخورد با چهار رکود پایدار بازار که توسط میله های آبی در (A) نشان داده شده است ، بهتر است ، که مربوط به بحران مالی جهانی در سال 2008 ، بحران بدهی اروپا در سال 2010 و 2011 و بازار سهام 2015 Selloff. contributions است. به بازگشت تجمعی به دلیل تصمیمات طولانی و کوتاه استراتژی تطبیقی. هنگام تعیین سهم تصمیمات طولانی ، ما استراتژی تطبیقی را به گونه ای اجرا می کنیم که تصمیمات طولانی را هنگام توصیه اجرا می کنیم اما هرگز تصمیمات کوتاه را اجرا نمی کنیم. برعکس ، هنگام ارزیابی سهم تصمیمات کوتاه ، ما فقط تصمیمات کوتاه می گیریم اما هرگز تصمیمات طولانی نمی گیریم.(الف) بازگشت تجمعی (محور چپ) برای تصمیمات فقط و فقط کوتاه و DJIA (محور راست).(ب) KDE بازده در پنجره های هشت هفته ای با هم همپوشانی ، که فقط توسط تصمیمات طولانی و فقط کوتاه به دست می آید. تصمیمات طولانی در مقایسه با تصمیمات کوتاه بازده های کوچکتر اما پایدار ایجاد می کند. تصمیمات کوتاه در برخورد با چهار رکود پایدار بازار که توسط میله های آبی در (A) نشان داده شده است ، بهتر است ، که مربوط به بحران مالی جهانی در سال 2008 ، بحران بدهی اروپا در سال 2010 و 2011 و فروش بازار سهام 2015 است.

برای مدیریت بیش از حد ، استراتژی تطبیقی ما با انتخاب خودکار زیر مجموعه ای از اصطلاحات جستجوی برگشتی توسط GCS قبل از آموزش مدل ، ابعاد مدل را کاهش می دهد (به روش ها مراجعه کنید). در 1،22 کشف شد که معاملات با اصطلاحاتی که از نظر معنایی بیشتر با مالی مرتبط هستند ، به نتایج موفق تری رسیده است. ما با استفاده از رویکرد شلوغی معرفی شده در 22 ، ارتباطی را با تأمین مالی 10 اصطلاح که اغلب توسط فرآیند انتخاب ویژگی ما انتخاب و رد می شوند طبقه بندی می کنیم (در شکل 4 نشان داده شده است). ما یک کار شلوغی را در سکوی هشت شکل تنظیم کردیم ، جایی که 100 کارگر ارتباط با تأمین مالی هر اصطلاح را "صفر" ، "ضعیف" ، "متوسط" یا "قوی" ارزیابی می کنند. از آنجا که ما پرس و جو GSC خود را به ایالات متحده محدود می کنیم ، کار شلوغی را فقط در دسترس آن جغرافیا قرار دادیم. جزئیات بیشتر در مورد کار در SI موجود است. نسبت رتبه بندی ها در میله های افقی در شکل 4 نشان داده شده است. ما به ترتیب "نیل" ، "ضعیف" ، "متوسط" و "قوی" را با نمرات 0 ، 1 ، 2 و 3 اختصاص می دهیم. اصطلاحات در شکل 4 به ترتیب نزولی از کل نمره 100 رتبه بندی ارائه شده است. نه از ده اصطلاح که اغلب انتخاب شده نمره بالاتری از هفت مورد از اصطلاحات متداول دارند. بیشترین اصطلاحات منتخب بیش از 200 رتبه بندی "قوی" و بیش از 250 رتبه کمتر از "صفر" نسبت به اصطلاحات متداول را دریافت کرده اند (به شکل SI شکل S2 مراجعه کنید). به نظر می رسد که این نتایج نشان می دهد که اصطلاح فرایند انتخاب نسبت به اصطلاحات مربوط به امور مالی مغرضانه است ، با وجود این که اصطلاح فرایند انتخاب معناشناسی اصطلاحات را در نظر نمی گیرد.

figure 4

ده اصطلاح متداول (آبی) و ده اصطلاح که اغلب رد می شوند (قرمز) از فرآیند انتخاب مدت خودکار ، که به ترتیب نزولی ارتباط با امور مالی ارائه شده است. فرکانس انتخاب یا رد در پرانتز در سمت راست اصطلاحات ارائه شده است. این رتبه بندی ها رتبه بندی های جمع شده "صفر" ، "ضعیف" ، "متوسط" یا "قوی" است که توسط 100 کارگر در شکل هشت سکوی شلوغی به هر یک از اصطلاحات اختصاص داده شده است. میله های افقی درصد از چهار رتبه بندی را برای هر یک از اصطلاحات نشان می دهد. نه از ده اصطلاح که اغلب انتخاب شده اند از رتبه بالاتری نسبت به امور مالی نسبت به هفت مورد از اصطلاحات متداول رد شده برخوردار هستند. به نظر می رسد این نشان می دهد که اصطلاح فرایند انتخاب نسبت به اصطلاحات مربوط به امور مالی مغرضانه است.

بحث

رویکرد ما یک تکرار مستقل از یافته‌های پریس و همکاران را ارائه می‌کند. 1 که به نظر می رسد حجم جستجوی عبارات خاصی که از نظر معنایی با امور مالی مرتبط هستند، هنگامی که به عنوان نماینده ای برای حرکت سهام استفاده می شود، قدرت پیش بینی دارند. ما همچنین یک مبادله احتمالی بین میزان عمومیت معنایی یک اصطلاح و دامنه اثربخشی آن را حدس می زنیم. به نظر می رسد استراتژی تطبیقی ارائه شده در این مقاله نسبت به اصطلاحات خاص معنایی (مانند بانک ولز فارگو و فدرال سانکوست) نسبت به اصطلاحات مورد مطالعه در 1 (مانند بدهی و اقتصاد) تعصب دارد. ما فکر می‌کنیم که اصطلاحات خاص‌تر، که ماهیت خاصی دارند، بهتر می‌توانند منافع گذرا سرمایه‌گذاران را به قیمت یک دوره اعتبار کوتاه‌تر جلب کنند. دلیل اینکه استراتژی تطبیقی اثربخشی پایدار ارائه می‌دهد این است که دائماً قدرت پیش‌بینی مجموعه عبارات جستجوی فعلی را با داده‌های تاریخی، که با یافتن موارد بهتر به سرعت جایگزین می‌شوند، نظارت می‌کند.

برای مقایسه با استراتژی‌های معاملاتی موجود که بر اساس داده‌های جستجوی وب توسعه داده شده‌اند، همان تنظیماتی را که آزمایش معاملاتی برای اولین بار در 1 پیشنهاد شد، اتخاذ می‌کنیم. این آزمایش تجاری برای کارمزد تراکنش، سود سهام یا مالیات بر سود سرمایه در نظر گرفته نمی شود، که در صورت اجرا بر بازده تأثیر می گذارد. رفتار استراتژی تطبیقی در یک محیط واقعی تر در آینده مورد بررسی قرار خواهد گرفت.

استراتژی تطبیقی به طور مستقل بر روی یک سهام منفرد (IBM) تایید می‌شود، که در آن بازده بالاتری (234. 6%) در مقایسه با سایر استراتژی‌های معیار بدست می‌آید (به شکل SI S5 مراجعه کنید). این شواهد اضافی در مورد اثربخشی استراتژی تطبیقی ارائه می دهد. ما امیدواریم که این نتایج دلگرم کننده انگیزه اکتشاف استراتژی تطبیقی در سایر تنظیمات باشد. برای مثال، DJIA متشکل از شرکت‌هایی است که در ایالات متحده مستقر هستند، بنابراین ما اکتشاف استراتژی تطبیقی را در آن جغرافیا محدود کردیم. این کار را می توان به طور طبیعی به سایر مناطق جغرافیایی مانند FTSE 100 در بریتانیا و EURONEXT 100 در اروپا گسترش داد. و همچنین شاخص های کالایی مانند تامسون رویترز/شاخص CRB CoreCommodity. افزونه های غیر پیش پا افتاده بیشتر شامل کاوش در ترکیب های مختلف روش های یادگیری ماشین و انتخاب ویژگی است. علاوه بر این، این چارچوب تطبیقی به طور طبیعی می تواند به پخش سریال های زمانی دیگر که ممکن است توسط پراکسی از داده های ردپای دیجیتال استنباط شوند، گسترش یابد.

همانطور که در 24 بحث شد، تغییرات در پس‌زمینه موتورهای جستجو و همچنین الگوریتمی که آمار جستجوها را محاسبه می‌کند، می‌تواند منجر به نتایج غیرمنتظره‌ای برای تصمیم‌گیری‌های تنها بر اساس داده‌های جستجوی وب شود. به عنوان مثال، نسخه‌های جدید موتورهای جستجو اکنون شامل پیشنهادات جستجوی تکمیل خودکار هستند که ممکن است رفتارهای کاربر را تحریک کرده و با تکامل زمانی حجم جستجوی عبارات خاص تداخل داشته باشد. ما پیش‌بینی می‌کنیم که این تغییرات تأثیر کمتری بر استراتژی تطبیقی ما نسبت به تغییرات مبتنی بر عبارات جستجوی ثابت داشته باشد، زیرا ما عبارات جستجو را قبل از هر تصمیمی تازه‌سازی می‌کنیم.

برخلاف استراتژی‌های مبتنی بر تحلیل بنیادی، رویکرد ما به جز همبستگی یافت شده بین حجم جستجوی وب و شاخص بازار، توجیه مالی برای تصمیم‌های طولانی یا کوتاه ارائه نمی‌کند. با این حال، متوجه شدیم که الگوریتم انتخاب ویژگی مبتنی بر مدل ترجیحاً اصطلاحاتی را که از نظر معنایی مرتبط با امور مالی هستند انتخاب می کند. ما پیش‌بینی می‌کنیم که یک مطالعه عمیق درباره منشأ این سوگیری همراه با یک هستی‌شناسی ممکن است مبنایی برای توضیح‌پذیری در آینده فراهم کند.

با توجه به محدودیت های نظارتی، درک قابلیت اطمینان داده های جایگزین برای تصمیم گیری مالی برای ادغام آن با منابع متعارف اطلاعات مالی ضروری است. قابلیت اطمینان مدل های تصمیم گیری مبتنی بر داده معمولاً بر حسب ارتباط علی بین ویژگی های داده ها و نتایج تصمیمات درک می شود. این امر توضیح پذیری قابل فهم برای تصمیم گیرندگان را برای مدیریت ریسک تسهیل می کند. با این حال، قابلیت اطمینان را می توان به عنوان پیش بینی پذیری ثابت و عملکرد بالا حتی در غیاب قابل درک بودن توسط انسان نیز تفسیر کرد. در این مقاله، ما سه استراتژی معیار را آزمایش کردیم که قابلیت توضیح بالاتری نسبت به استراتژی تطبیقی ما دارند، زیرا آنها بر اساس عبارات جستجو با ارتباط معنایی ظاهری با امور مالی و تئوری های تثبیت شده تصمیم گیری بودند. با این حال، مشاهده کردیم که عملکرد این استراتژی ها به طور قابل توجهی در طول زمان متفاوت است، که باعث می شود آنها کمتر قابل اعتماد باشند. از سوی دیگر، استراتژی تطبیقی ما شامل تجزیه و تحلیل معنایی در مورد عبارات جستجو نمی شود، که توجیه روابط علی بین داده ها و تصمیمات را چالش برانگیز می کند. با این وجود، قابلیت پیش‌بینی سازگاری قابل‌توجهی دارد، که زمانی مفید است که نمایه ریسک یک سرمایه‌گذاری به جای یک رابطه علّی روشن بین داده‌ها و پیامدها، به قابلیت پیش‌بینی ثابت نیاز داشته باشد.

مواد و روش ها

استراتژی سازگار

اجازه دهید هفته جاری باشد. ما از GCS برای یافتن اصطلاحات جستجو (حداکثر 100 اصطلاح) استفاده می کنیم که حجم جستجو از T - W - 1 تا T - 2 قوی ترین همبستگی با DJIA از T - W + 1 تا T را دارد. GCS همچنین حجم جستجوی شرایط جستجو را برمی گرداند. بر خلاف Google Trends ، که داده های حجم جستجوی مبتنی بر عدد صحیح را ارائه می دهد که نتایج کمی متفاوت را برای همان پرس و جو نشان می دهد ، GCS حجم جستجو را در اعداد شناور قطعی باز می گرداند. از این رو ما از داده های GCS در آزمایش خود برای تکرار استفاده می کنیم. ما چهار مقدار W (52 ، 104 ، 156 و 208) را مورد بررسی قرار دادیم و دریافتیم که W = 208 بهترین بازده را در دوره اعتبار سنجی ما فراهم می کند (به SI شکل S4 مراجعه کنید). با آموزش یک مدل رگرسیون خطی با حجم جستجو از T - W - 1 تا T - 2 به عنوان ورودی و DJIA از T - W + 1 تا T به عنوان خروجی ، می توانیم DJIA را در T + 1 و T + 2 پیش بینی کنیمحجم جستجو به ترتیب در t - 1 و t. نمودار گردش کار استراتژی تطبیقی در SI شکل S3 نشان داده شده است.

داده های آموزش برای هر تصمیم گیری معاملات شامل 208 نمونه است که هر یک از آنها حداکثر 100 ویژگی (یعنی حجم جستجو از اصطلاحات برگشتی توسط GCS). بنابراین ، این کار به دلیل ترکیبی از ابعاد بالا و اندازه نمونه کوچک ، خطر ابتلا به بیش از حد را به همراه دارد. ما برای مدیریت بیش از حد دو رویکرد انجام می دهیم. اول ، ما یک مدل رگرسیون خطی را به عنوان پیش بینی کننده انتخاب می کنیم ، که نسبت به مدلهای غیر خطی نسبت به بیش از حد قوی تر است. دوم ، ما اصطلاحات جستجوی برگشتی توسط GCS را با استفاده از تکنیک حذف ویژگی های بازگشتی (RFE) 25 برای کاهش ابعاد تغییر می دهیم. در RFE ، مدل رگرسیون خطی در ابتدا با تمام ویژگی ها آموزش داده می شود ، جایی که به هر ویژگی یک وزن اختصاص می یابد. مقدار مطلق بالاتر وزن حاکی از سهم بالاتر از آن ویژگی در خروجی مدل است. سپس ویژگی با کوچکترین سهم برداشته می شود و یک مدل رگرسیون خطی جدید با ویژگی های باقیمانده آموزش داده می شود. این فرآیند به صورت بازگشتی تا رسیدن به تعداد مورد نظر ویژگی ها تکرار می شود. این تعداد به طور خودکار با به حداقل رساندن میانگین خطای مطلق تغییرات هفتگی پیش بینی شده DJIA در یک اعتبار سنجی متقاطع K با داده های آموزش تصمیم می گیرد. در اینجا ، ما از 10 برابر اعتبار سنجی متقاطع 10 برابر استفاده می کنیم ، که در عمل برای مجموعه های کوچک داده های آموزش 26 مفید بوده است. ما دریافتیم که فرایند Curation تمایل دارد تعداد کمی از اصطلاحات را انتخاب کند ، بنابراین به طور مؤثر مدیریت بیش از حد با کم نگه داشتن ابعاد (به شکل SI شکل S1 مراجعه کنید).

در هر هفته معاملاتی T ، اگر مدل رگرسیون خطی ، با مجموعه نهایی ویژگی ها آموزش دیده باشد ، روند فزاینده ای را از T + 1 تا T + 2 پیش بینی می کند ، ما از T + 1 تا T + 2 موقعیت طولانی را در DJIA می گیریم. در غیر این صورت ، ما یک موقعیت کوتاه از T + 1 تا T + 2 می گیریم.

اجرای استراتژی های معیار

ما استراتژی پیشنهادی پری و همکاران را پیاده سازی می کنیم.(2013) با پیکربندی بهینه موجود در 1. تغییر نسبی حجم جستجو G (t) اصطلاح بدهی به صورت محاسبه می شود

where Δ t is set to 3. If Δ G ( t ) >0 ، ما از T + 1 تا T + 2 موقعیت کوتاهی را در DJIA می گیریم. در غیر این صورت ، از T + 1 تا T + 2 موقعیت طولانی می گیریم.

ما استراتژی پیشنهاد شده توسط هایبرگر (2015) 18 را با تغییرات زیر اجرا می کنیم. این استراتژی در اصل بر اساس نام‌های شرکت منفرد در S& P 100 است. ما آن را از 19 مارس 2015 با اجزای DJIA تطبیق دادیم. تاریخی دیرتر (18 مارس 2008) از آغاز آزمایش. تغییر نسبی حجم جستجوی نام شرکت ها و DJIA با معادله محاسبه می شود.(1)، که Δ t روی 3 تنظیم شده است.

استراتژی پیشنهاد شده توسط کریستوفک (2013) 20 بر اساس تیک تیک مولفه ها در DJIA است. ما آن را با همان ساختار DJIA که در Heiberger (2015) اجرا کردیم. همانطور که در 20 12 علامت (BA، CAT، KO، DD، MCD، PG، HD، TRV، UNH، VZ، V، و DIS) به دلیل جستجوهای بسیار نادر یا ابهام با عبارات و اختصارات نامرتبط سهام حذف شدند. برای یک هفته معین t وزن wمن(t ) از سهام i در پرتفوی به صورت محاسبه می شود

جایی که جیمن(t) حجم جستجوی نشانگر سهام i در هفته t است. N تعداد کل سهام در پرتفوی است. و توان α قدرت تاثیر حجم جستجو بر تنوع پورتفولیو را کنترل می کند، که روی مقدار (0. 6) تنظیم می شود که نسبت شارپ را در 20 به حداکثر می رساند. معادله (2) حجم جستجو را در میان علامت‌ها مقایسه می‌کند. هنگامی که سرویس Google Trends با چند عبارت پرس و جو می شود، حجم جستجوی عبارات با عبارتی که بیشتر جستجو می شود عادی می شود. از این رو برای هر علامت، سرویس Google Trends را در کنار علامتی که بیشترین حجم جستجو را دارد (یعنی GE) پرس و جو می کنیم. این امر حجم جستجوی علامت‌ها را عادی می‌کند و اطمینان می‌دهد که حجم جستجو قابل مقایسه است.

منابع

Preis, T., Moat, H. S. & Stanley, H. E. کمی کردن رفتار معاملاتی در بازارهای مالی با استفاده از Google Trends. علمیگزارش 3، srep01684 (2013).

موت، H. S. و همکاران. کمی سازی الگوهای استفاده از ویکی پدیا قبل از حرکت بازار سهامعلمیگزارش 3، 1801 (2013).

Bollen, J., Mao, H. & Zeng, X. خلق و خوی توییتر بازار سهام را پیش بینی می کند. جی. کامپیوتر. علمی2، 1-8 (2011).

Zheludev، I.، Smith، R. & Aste، T. چه زمانی رسانه های اجتماعی می توانند بازارهای مالی را هدایت کنند؟علمیگزارش 4، 4213 (2014).

گینزبرگ، جی و همکاران. شناسایی اپیدمی های آنفولانزا با استفاده از داده های جستجوی موتور جستجو. نات. 457، 1012-1014 (2009).

Preis, T. & Moat, H. S. پخش کنونی تطبیقی شیوع آنفولانزا با استفاده از جستجوهای Google. شرکت رویالعلوم را باز کنید. 1, 140095 (2014).

Hickmann Kyle، S. Fairchild Geoffrey، Priedhorsky Reid، Generous Nicholas، Hyman، James M، Deshpande A، و Del Valle، Sara Y. پیش بینی فصل آنفولانزای 2013-2014 با استفاده از ویکی پدیا. محاسبات PLoS. Biol. 5 , e1004239 (2015).

Yang, S., Santillana, M. & Kou, S. C. برآورد دقیق اپیدمی های آنفلوانزا با استفاده از داده های جستجوی Google از طریق ARGO. Proc. Natl. آکادمیعلمی112، 14473-14478 (2015).

گوئل، اس.، هافمن، جی ام، لاهای، اس، پنوک، دی ام و واتس، دی. جی. پیش بینی رفتار مصرف کننده با جستجوی وب. Proc. Natl. آکادمیعلمی107، 17486-17490 (2010).

Askitas, N. & Zimmermann, K. F. اقتصاد سنجی و پیش بینی بیکاری گوگل. Appl. اقتصادQ. 55، 107-120 (2009).

Pavlicek, J. & Kristoufek, L. نرخ بیکاری در حال پخش با جستجوهای گوگل: شواهدی از کشورهای گروه ویزگراد. PloS One 10, e0127084 (2015).

پریس، تی، ریث، دی و استنلی، H. E. پویایی پیچیده زندگی اقتصادی ما در مقیاس‌های مختلف: بینش‌هایی از داده‌های جستجوی موتور جستجو. فیلوسمعاملات رویال Soc. لندن. ج: ریاضیفیزیکمهندسعلمی368، 5707-5719 (2010).

Dimpfl, T. & Jank, S. آیا جستجوهای اینترنتی می توانند به پیش بینی نوسانات بازار سهام کمک کنند؟یورومدیر مالی. 22، 171-192 (2016).

بانک، M.، Larch، M. & Peter، G. حجم جستجوی گوگل و تأثیر آن بر نقدینگی و بازده سهام آلمان. علامت مالیمدیریت نمونه کارها. 25، 239-264 (2011).

Da, Z., Engelberg, J. & Gao, P. در جستجوی توجه. The J. Finance 66, 1461-1499 (2011).

جوزف، ک.، وینتوکی، ام بی و ژانگ، زی. پیش‌بینی بازده غیرعادی سهام و حجم معاملات با استفاده از احساسات سرمایه‌گذار: شواهدی از جستجوی آنلاین. بین المللیJ. پیش بینی. 27، 1116-1127 (2011).

Kristoufek, L. BitCoin با Google Trends و Wikipedia: کمیت کردن رابطه بین پدیده های عصر اینترنت ملاقات می کند. علمیگزارش 3، 3415 (2013).

Heiberger, R. H. توجه جمعی و قیمت سهام: شواهدی از داده‌های Google Trends در مورد Standard and Poor's 100. PloS One 10, e0135311 (2015).

Preis, T. & Moat, H. S. نشانه های اولیه حرکت بازار مالی که توسط جستجوهای گوگل منعکس شده است. در پدیده های اجتماعی، 85-97 (اسپرینگر، 2015).

Kristoufek, L. آیا جستجوهای Google Trends می توانند به تنوع ریسک کمک کنند؟علمیگزارش 3 (2013).

Bijl, L., Kringhaug, G., Molnár, P. & Sandvik, E. جستجوهای گوگل و بازده سهام. بین المللیکشیش مالی . تجزیه و تحلیل 45، 150-156 (2016).

Curme, C., Preis, T., Stanley, H. E. & Moat, H. S. کمیت کردن معنای رفتار جستجو قبل از حرکت بازار سهام. Proc. Natl. آکادمیعلمی111، 11600–11605 (2014).

Simon, H. A. مدل رفتاری انتخاب عقلانی. Q. J. Econ. 69، 99-118 (1955).

Lazer, D., Kennedy, R., King, G. & Vespignani, A. تمثیل آنفولانزای گوگل: تله ها در تجزیه و تحلیل داده های بزرگ. علمی343، 1203-1205 (2014).

گیون، آی.، وستون، ج.، بارنهیل، اس. ماخفرا گرفتن. 46، 389-422 (2002).

Borra, S. & Di Ciaccio, A. اندازه گیری خطای پیش بینی. مقایسه روش های اعتبار سنجی متقاطع، بوت استرپ و جریمه کوواریانس. محاسبه کنید. آمارو تجزیه و تحلیل داده ها 54، 2976-2989 (2010).

اطلاعات نویسنده

نویسندگان و وابستگی ها

IBM Research استرالیا، ملبورن، ویکتوریا، استرالیا

شو ژونگ و مایکل راغیب

  1. شو ژونگ

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

مشارکت ها

X. Z. و M. R تحقیق را طراحی کردند. X. Z. تحقیق انجام داد. X. Z. روش های جدیدی را ارائه کرد. X. Z. و M. R داده ها را تجزیه و تحلیل کردند. X. Z. و م. ر مقاله را نوشتند. همه نویسندگان مقاله را بررسی کردند.

نویسنده متناظر

اعلامیه های اخلاقی

منافع رقابتی

نویسندگان اظهار کردند که هیچ علاقه ای به رقابت ندارند.

اطلاعات تکمیلی

یادداشت ناشر Springer Nature با توجه به ادعاهای قضایی در نقشه های منتشر شده و وابستگی های سازمانی بی طرف باقی می ماند.

اطلاعات تکمیلی

اطلاعات پشتیبانی

حقوق و مجوزها

دسترسی آزاد این مقاله تحت مجوز Creative Commons Attribution 4. 0 بین‌المللی است که اجازه استفاده، اشتراک‌گذاری، اقتباس، توزیع و تکثیر را در هر رسانه یا قالبی می‌دهد تا زمانی که اعتبار مناسب را به نویسنده یا منبع اصلی بدهید. پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییراتی ایجاد شده است یا خیر. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است، مگر اینکه در خط اعتباری مطالب به گونه دیگری ذکر شده باشد. اگر مطالب در مجوز Creative Commons مقاله گنجانده نشده است و استفاده مورد نظر شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود، باید مستقیماً از دارنده حق نسخه برداری مجوز دریافت کنید. برای مشاهده نسخه ای از این مجوز، به http://creativecommons. org/licenses/by/4. 0/ مراجعه کنید.

درباره این مقاله

به این مقاله استناد کنید

Zhong, X., Raghib, M. بازبینی استفاده از داده های جستجوی وب برای حرکات بازار سهام. Sci Rep 9, 13511 (2019). https://doi. org/10. 1038/s41598-019-50131-1

دریافت: 17 اکتبر 2018

پذیرش: 03 سپتامبر 2019

تاریخ انتشار: 18 سپتامبر 2019

این مقاله را به اشتراک بگذارید

هر کسی که پیوند زیر را با او به اشتراک بگذارید، می‌تواند این محتوا را بخواند:

دریافت لینک قابل اشتراک گذاری

با عرض پوزش، پیوند قابل اشتراک گذاری در حال حاضر برای این مقاله موجود نیست.

کپی به کلیپ بورد

ارائه شده توسط Springer Nature SharedIt ابتکار اشتراک محتوا

این مقاله توسط

ارزیابی ریسک سیستمی در بازارهای مالی با استفاده از شبکه های موضوعی پویا

  • مایک کی پی سو
  • Anson S. W. Mak
  • آماندا ام. ی. چو

گزارش های علمی (2022)

یک چارچوب پیش‌بینی ترکیب اطلاعات چند منبع جدید مبتنی بر شبکه‌های عصبی عمیق برای افزایش دقت در پیش‌بینی بازار سهام

  • اسحاق کوفی انتی
  • آدبایو فلیکس آدکویا
  • بنجامین اسوبام ویوری

مجله داده های بزرگ (2021)

نظرات

با ارسال نظر، موافقت می کنید که از شرایط و دستورالعمل های انجمن ما پیروی کنید. اگر موردی توهین آمیز یافتید یا با شرایط یا دستورالعمل های ما مطابقت نداشت، لطفاً آن را به عنوان نامناسب پرچم گذاری کنید.

برچسب ها

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.