Borsa tahmini için Derin Topluluk Modelleri (DTM) ile finansal duygu analizi

Financial sentiment analysis with Deep Ensemble Models (DEMs) for stock market prediction

Özet

Borsa tahmini, analistler ve yatırımcılar için aktif bir araştırma konusu olmuştur. Bu çalışmada, finansalduygu analizi yapılarak Bist100 endeksinin yönünün tahminlenmesi amaçlanmıştır. Bildiğimiz kadarıyla buçalışma, borsa yönü tahminlemesinde haber kaynağı olarak Twitter ortamını kullanması ve bunun derintopluluk modelleriyle yapılması açısından literatürdeki ilk çalışmadır. Bu çalışmanın literatüre katkısı dörtaşamada özetlenebilir: Birincisi, Twitter ortamındaki boyut sınırlaması problemini ortadan kaldırmakamacıyla özellik kümesi anlamsal olarak zenginleştirilmiştir. İlk aşamada, veri kümesini ifade edebilecekanlamlı özellikler, bilgi kazanımı ve karınca kolonisi optimizasyonu yöntemleriyle seçilmiştir. Sonra, buözelliklere veri kümesini anlam, bağlam, söz dizimi açısından ifade edebilecek Avg(Word2vec),Avg(Glove), Avg(Word2vec)+Avg(Glove), TF-IDF+Avg(Word2vec), TF-IDF+Avg(Glove) gibi farklıdoküman gösterim teknikleri uygulanmıştır. İkincisi, sınıflandırmayı bir algoritmayla gerçekleştirmektensebirden fazla öğrenme algoritmalarıyla yaparak sistem performansının iyileştirilmesi amaçlanmıştır. Burada,geleneksel sınıflandırma algoritmaları yerine Evrişimsel Sinir Ağları, Tekrarlayan Sinir Ağları, Uzun KısaVadeli Hafıza Ağları gibi derin öğrenme mimarilerinin harmanlanmasıyla derin topluluk modeli (DTM)oluşturulmuştur. Üçüncüsü, derin topluluk modelinin nihai kararını elde etmek için çoğunluk oylaması veyığıtlama yöntemleri kullanılmıştır. Dördüncü olarak önerilen yaklaşımın sınıflandırma performasınıiyileştirdiğini kanıtlamak amacıyla herkesin kullanımına açık Türkçe ve İngilizce Twitter veri kümelerikullanılmıştır. Sonuç olarak, deney sonuçları önerilen modelin literatür çalışmalarıyla kıyaslandığındaönceki çalışmalardan önemli ölçüde üstün olduğunu göstermektedir.

Abstract

The stock market forecasting is popular research topic for analysts. In this study, it is proposed to estimate direction of Bist100 index by financial sentiment analysis. To our knowledge, this is the first study in literature using Twitter for forecasting stock market direction and doing this with deep ensemble models. The contributions of study are fourfold: First, feature set is enriched semantically to eliminate size limitation problem in Twitter. In first stage, meaningful features that express dataset are selected by means of information gain and ant colony optimization. Next, features are enriched in meaning, context, syntax using document representation models such as Avg(Word2vec), Avg(Glove), Avg(Word2vec)+Avg(Glove), TFIDF+Avg(Word2vec), TF-IDF+Avg(Glove). Secondly, it is proposed to improve system performance performing classification with multiple learning algorithms. Instead of traditional classification algorithms, a deep ensemble model (DTM) is constructed blending deep learning architectures such as Convolutional Neural Networks, Recurrent Neural Networks, Long Short-Term Memory Networks. Third, majority voting and stacking methods are used to obtain final decision of deep ensemble model. Fourthly, Turkish and English Twitter datasets are employed to demonstrate that proposed approach improves classification performance. Consequently, experimental results show that proposed model is significantly superior to previous studies when compared with literature studies.