Використання градуйованого аналізу громадських настроїв у системі прогнозування даних

Abstract

Прогнозування даних на фінансових ринках — актуальне завдання у сучасному світі. Здатність передбачити напрямок руху ринку допомагає інвесторам уникнути очевидних ризиків і позбавити себе додаткових витрат. Розроблено багато різних торгових платформ, щоб швидко отримувати доступ до великих обсягів історичних даних, що дозволяє аналізувати фінансовий ринок з будь-якого куточка планети в режимі реального часу, використовуючи лише ноутбук або персональний комп’ютер. Такі платформи дозволяють розробляти унікальні стратегії та підходи на основі фундаментального або технічного аналізу, які враховують новини про певну компанію, її прибуток, капіталізацію та кількість дивідендів, які вона повинна виплачувати вчасно. Новини про різні компанії допомагають потенційному інвестору виявляти певні ризики, зокрема, персоналу виробництва або, найчастіше в сучасних реаліях, репутаційні. Тому аналіз новинних текстів відіграє важливу роль у формуванні фундаментального аналізу, і саме тому його можна проводити найефективніше за допомогою нейромереж. Аналіз настроїв за допомогою нейронних мереж є потужним інструментом для прогнозування ринків в сучасному бізнесі, оскільки він дозволяє аналізувати та розуміти глибокі відчуття та настрої споживачів та інвесторів на основі текстової інформації, такої як відгуки, соціальні медіа, новини та ін. Аналіз настроїв використовує машинне навчання та природну мову, щоб автоматично визначити та категоризувати текстові дані як позитивні, негативні чи нейтральні. Ця інформація може бути використана для прогнозування реакції ринку на нові продукти, послуги, політичні події чи інші чинники. Такий аналіз допомагає підприємствам зрозуміти глибоке ставлення споживачів та інвесторів до їхнього бренду, товарів та послуг, що дозволяє розробляти ефективніші маркетингові стратегії та ухвалювати обґрунтовані рішення щодо розвитку бізнесу. Використання градуйованого аналізу настроїв допоможе отримати ліпшу оцінку тому чи іншому тексту, який описує ринок або надає про нього певну інформацію, що допоможе інвестору ухвалити найменш ризиковане рішення. Імплементація цього методу сентиментального аналізу допоможе підвищити ефективність системи прогнозування даних, яка вже використовує технічний аналіз на фондових ринках. Метою роботи є підвищення ефективності автоматизованого технічного аналізу даних на фондових ринках завдяки імплементації методів аналізу настроїв.

Data forecasting data in financial markets is a critical task in today’s world. The ability to predict the market movements helps the investors avoid obvious risks and reduce potential losses. Various trading platforms have been developed to provide quick access to vast volumes of historical data, allowing real-time market analysis from anywhere in the world using just a laptop or personal computer. These platforms enable the creation of unique strategies based on fundamental or technical analysis, which take into account news about the specific companies, their profits, capitalization, and dividend payments. News about different companies helps potential investors identify various risks, including personnel, production, and most commonly in modern times, reputation risks. Therefore, textual news analysis plays a crucial role in forming fundamental analysis, which is most effectively conducted using neural networks. Sentimental analysis by means of neural networks is a powerful tool for the markets forecasting as it enables to analyze and understand deep sentiments and emotions of the consumers and investors, based on textual information, such as feedback, social media, news, etc. Over the past decade, due to technological innovations and advances in neural networks, these networks have become instrumental in analyzing large datasets, including textual data. As each news piece about a company targeted by potential investors or traders carries emotional sentiment, such as positive or negative, this sentiment can be determined using specially trained neural networks. This enables making accurate predictions in financial markets and developing effective strategies. When combined with technical analysis, the development and investigation of such an approach to forecasting can yield precise results. Hence, scientific research in this field remains relevant. This article substantiates the sentiment analysis approach for forecasting historical data in financial markets, describes similar approaches, and outlines their advantages and drawbacks. Solutions are provided for a data forecasting system using selected sentiment analysis methods.