بازارهای مالی، اکوسیستم‌های پیچیده‌ای هستند که تحت تأثیر عوامل بی‌شماری از جمله داده‌های اقتصادی، رویدادهای سیاسی و روانشناسی جمعی سرمایه‌گذاران قرار دارند. پیش‌بینی دقیق بازده و نوسانات آینده بازار، سنگ بنای دو حوزه کلیدی در مدیریت مالی است: بهینه‌سازی سبد سهام و مدیریت ریسک. مدل‌های مالی سنتی اغلب بر داده‌های تاریخی قیمت و حجم معاملات تکیه می‌کنند، اما این مدل‌ها در درک و پیش‌بینی واکنش‌های ناگهانی بازار که از احساسات انسانی نشأت می‌گیرند، با محدودیت‌هایی روبرو هستند.

مقاله “رویکرد تحلیل احساسات برای پیش‌بینی نوسانات بازار” به قلم جاستینا دویکیت و همکاران، گامی نوین در این عرصه برداشته است. این پژوهش با بهره‌گیری از قدرت پردازش زبان طبیعی (NLP) و هوش مصنوعی، به سراغ منابع داده‌ای غیرساختاریافته اما بسیار غنی رفته است: اخبار مالی و نظرات کاربران در شبکه‌های اجتماعی. اهمیت این تحقیق در آن است که تلاش می‌کند “نبض بازار” یا همان اعتماد و احساسات سرمایه‌گذاران را به صورت کمی اندازه‌گیری کرده و از آن به عنوان یک سیگنال پیش‌بینی‌کننده برای حرکات بازار سهام، به ویژه شاخص FTSE100 لندن، استفاده نماید. این رویکرد، دریچه‌ای جدید به سوی درک عمیق‌تر دینامیک بازار و توسعه استراتژی‌های سرمایه‌گذاری هوشمندتر می‌گشاید.

این مقاله حاصل همکاری تیمی از پژوهشگران با تخصص‌های مکمل است: جاستینا دویکیت (Justina Deveikyte)، هلیت گمان (Helyette Geman)، کارلو پیکاری (Carlo Piccari) و الساندرو پرووتی (Alessandro Provetti). دسته‌بندی موضوعی مقاله در حوزه‌های مالی آماری، هوش مصنوعی و محاسبات و زبان، نشان‌دهنده ماهیت میان‌رشته‌ای این تحقیق است.

این پژوهش در تقاطع فناوری مالی (فین‌تک)، زبان‌شناسی محاسباتی و علم داده قرار دارد و بخشی از یک روند رو به رشد جهانی است که هدف آن، استفاده از “کلان‌داده‌ها” (Big Data) برای استخراج الگوهای پنهان و کسب مزیت رقابتی در بازارهای مالی است. نویسندگان با ترکیب دانش عمیق از بازارهای مالی و مهارت‌های پیشرفته در حوزه هوش مصنوعی، توانسته‌اند یک پل مستحکم میان دنیای کیفی احساسات انسانی و دنیای کمی مدل‌های مالی ایجاد کنند.

هدف اصلی این مقاله، بررسی رابطه میان احساسات استخراج‌شده از منابع متنی (اخبار مالی و توییتر) و حرکات روز بعد بازار سهام FTSE100 (شامل بازده و نوسانات) است. محققان به دنبال پاسخ به این پرسش بودند که آیا می‌توان از تحلیل احساسات به عنوان یک ابزار پیش‌بینی‌کننده قابل اتکا استفاده کرد؟

خلاصه یافته‌های این تحقیق بسیار جذاب و در مواردی شگفت‌انگیز است. نتایج نشان داد که احساسات حاکم بر تیترهای اخبار مالی، با بازده بازار در روز بعد همبستگی معناداری دارد. به عبارت دیگر، اخبار مثبت امروز می‌تواند سیگنالی برای رشد بازار در فردا باشد. اما همین احساسات خبری، ارتباط قابل توجهی با نوسانات بازار نشان نداد.

در مقابل، یافته‌ای غافلگیرکننده در مورد توییتر به دست آمد: یک همبستگی منفی و بسیار قوی (ضریب همبستگی ۰.۷-) میان احساسات مثبت در توییت‌ها و نوسانات بازار در روز بعد مشاهده شد. این بدان معناست که هرچه حال و هوای عمومی کاربران توییتر در یک روز مثبت‌تر و آرام‌تر باشد، احتمالاً بازار در روز بعد با ثبات بیشتر و نوسان کمتری روبرو خواهد بود.

در نهایت، پژوهشگران با ترکیب تحلیل احساسات و یک تکنیک پیشرفته دیگر به نام مدل‌سازی موضوعی (Topic Modelling)، یک طبقه‌بند هوشمند برای پیش‌بینی جهت نوسانات بازار (افزایشی یا کاهشی) توسعه دادند. این مدل توانست به دقت پیش‌بینی ۶۳٪ دست یابد که در دنیای پر هرج و مرج مالی، یک دستاورد قابل توجه محسوب می‌شود.

روش‌شناسی این پژوهش بر پایه‌های مستحکم علم داده و هوش مصنوعی بنا شده و شامل چند مرحله کلیدی است:

• جمع‌آوری داده‌ها: دو منبع اصلی داده مورد استفاده قرار گرفتند: تیترهای اخبار مالی از منابع معتبر و مجموعه‌ای عظیم از توییت‌های مرتبط با بازار سهام. انتخاب این دو منبع هوشمندانه بود؛ اخبار معمولاً منعکس‌کننده دیدگاه تحلیل‌گران و سرمایه‌گذاران حرفه‌ای است، در حالی که توییتر نمایانگر احساسات لحظه‌ای و عمومی سرمایه‌گذاران خرد است.
• تحلیل احساسات (Sentiment Analysis): در این مرحله، با استفاده از الگوریتم‌های پردازش زبان طبیعی، بار عاطفی (مثبت، منفی یا خنثی) هر متن (تیتر خبر یا توییت) مشخص شد. سپس، این امتیازات به صورت روزانه agregat (تجمیع) شدند تا یک شاخص کلی از احساسات بازار برای هر روز به دست آید.
• تحلیل همبستگی: محققان به بررسی آماری رابطه میان شاخص احساسات در روز (T) و متغیرهای بازار یعنی بازده و نوسانات در روز بعد (T+1) پرداختند. این تأخیر زمانی یک روزه برای اطمینان از قابلیت پیش‌بینی سیگنال‌ها ضروری است.
• مدل‌سازی پیش‌بینی‌کننده: برای ساخت مدل نهایی، پژوهشگران پا را فراتر از تحلیل احساسات صرف گذاشتند. آن‌ها از تکنیکی به نام تخصیص دیریکله پنهان (Latent Dirichlet Allocation – LDA) برای مدل‌سازی موضوعی استفاده کردند. LDA یک الگوریتم یادگیری ماشین است که به طور خودکار موضوعات و مباحث اصلی مطرح شده در مجموعه بزرگی از متون را کشف می‌کند (مثلاً “اخبار مربوط به ادغام شرکت‌ها”، “نگرانی از نرخ بهره” یا “خوش‌بینی به گزارش‌های فصلی”).
• مهندسی ویژگی و طبقه‌بندی: بردارهای عددی حاصل از مدل‌سازی موضوعی به همراه شاخص احساسات، به عنوان ویژگی‌های ورودی به یک الگوریتم طبقه‌بند (Classifier) داده شدند. وظیفه این طبقه‌بند، پیش‌بینی این بود که آیا نوسانات بازار در روز آینده افزایش خواهد یافت یا کاهش.

این پژوهش به چندین یافته مهم و کاربردی دست یافت که درک ما از رابطه میان اطلاعات و بازار را عمیق‌تر می‌کند:

• اخبار، پیش‌بینی‌کننده بازده است: نتایج به وضوح نشان داد که یک رابطه مثبت و معنادار آماری بین احساسات موجود در تیترهای اخبار مالی و بازده بازار سهام در روز بعد وجود دارد. این یافته با این شهود عمومی که اخبار خوب به رشد بازار کمک می‌کند، همخوانی دارد.
• اخبار، پیش‌بینی‌کننده نوسان نیست: به طور جالب توجهی، هیچ ارتباط معناداری بین احساسات اخبار و میزان نوسانات بازار در روز بعد یافت نشد. این نشان می‌دهد که محتوای اخبار بیشتر بر جهت حرکت بازار (مثبت یا منفی) تأثیر دارد تا بر شدت تلاطم آن.
• توییتر، پیش‌بینی‌کننده نوسان است (به صورت معکوس): شگفت‌انگیزترین یافته تحقیق، کشف یک همبستگی منفی قوی (ضریب ۰.۷- با p-value کمتر از ۰.۰۵) بین احساسات مثبت در توییتر و نوسانات روز بعد بود. این یعنی، افزایش خوش‌بینی و آرامش در میان کاربران توییتر، سیگنالی قوی برای کاهش نوسانات و افزایش ثبات بازار در روز آینده است. این یافته می‌تواند به این دلیل باشد که آرامش عمومی، از رفتارهای هیجانی و فروش‌های از روی ترس جلوگیری می‌کند و بازار را باثبات نگه می‌دارد.
• قدرت ترکیب تکنیک‌ها: مدل طبقه‌بندی که با ترکیب هوشمندانه تحلیل احساسات و مدل‌سازی موضوعی ساخته شده بود، به دقت ۶۳٪ در پیش‌بینی جهت تغییرات نوسان دست یافت. این رقم به طور قابل ملاحظه‌ای از شانس تصادفی (۵۰٪) بالاتر است و اثربخشی این رویکرد ترکیبی را در استخراج سیگنال‌های مفید از داده‌های متنی اثبات می‌کند.

نتایج این مقاله صرفاً جنبه آکادمیک ندارد و دارای کاربردهای عملی و دستاوردهای علمی مهمی است.

کاربردهای عملی:

• مدیریت ریسک پیشرفته: مؤسسات مالی می‌توانند از این مدل‌ها برای پیش‌بینی دوره‌های پرنوسان بازار استفاده کرده و سبد دارایی‌های خود را برای کاهش ریسک تنظیم کنند. سیگنال‌های منفی از توییتر می‌تواند یک زنگ خطر زودهنگام برای افزایش تلاطم بازار باشد.
• استراتژی‌های معاملاتی الگوریتمی: این سیگنال‌های پیش‌بینی‌کننده می‌توانند به عنوان ورودی برای الگوریتم‌های معاملاتی خودکار استفاده شوند تا از حرکات پیش‌بینی‌شده بازار سود کسب کنند.
• بهینه‌سازی پویای سبد سهام: مدیران سرمایه‌گذاری می‌توانند با توجه به سیگنال‌های بازده از اخبار و سیگنال‌های نوسان از توییتر، به طور پویاتری ترکیب دارایی‌های خود را مدیریت کنند.

دستاوردهای علمی:

• این پژوهش ارزش داده‌های غیرساختاریافته (متن) را در مدل‌سازی مالی به اثبات رساند.
• نقش متمایز منابع اطلاعاتی مختلف را برجسته کرد: اخبار به عنوان نماینده تحلیل حرفه‌ای بر بازده تأثیر دارد، در حالی که شبکه‌های اجتماعی به عنوان نماینده احساسات عمومی، بر ثبات و نوسان بازار مؤثر است.
• یک روش‌شناسی نوآورانه با ترکیب تحلیل احساسات و مدل‌سازی موضوعی برای استخراج ویژگی ارائه داد که دقت پیش‌بینی را بهبود بخشید.

مقاله “رویکرد تحلیل احساسات برای پیش‌بینی نوسانات بازار” به طور قانع‌کننده‌ای نشان می‌دهد که در پس هیاهوی اخبار و میلیون‌ها توییت، سیگنال‌های ارزشمندی برای پیش‌بینی بازارهای مالی نهفته است. این تحقیق اثبات می‌کند که احساسات جمعی، چه در سطح حرفه‌ای و چه در سطح عمومی، یک نیروی قابل اندازه‌گیری و تأثیرگذار بر دینامیک بازار است.

مهم‌ترین پیام این پژوهش آن است که آینده تحلیل مالی به طور فزاینده‌ای به توانایی ما در درک و پردازش منابع داده‌ای متنوع و پیچیده با استفاده از ابزارهای هوش مصنوعی بستگی خواهد داشت. ترکیب هوشمندانه تکنیک‌های پردازش زبان طبیعی مانند تحلیل احساسات و مدل‌سازی موضوعی، راه را برای ساخت مدل‌های پیش‌بینی‌کننده قدرتمندتر هموار می‌کند. این تحقیق، نمونه‌ای درخشان از قدرت هم‌افزایی میان علوم مالی، کامپیوتر و زبان‌شناسی برای حل یکی از چالش‌برانگیزترین مسائل دنیای مدرن یعنی پیش‌بینی رفتار بازارهای مالی است.