دنیای مالی امروز شاهد تحولات شگرفی در پی ظهور ارزهای دیجیتال است. این دارایی‌های نوظهور، با نوسانات قیمتی شدید و ماهیت غیرمتمرکز خود، فرصت‌ها و چالش‌های بی‌سابقه‌ای را برای سرمایه‌گذاران و تحلیلگران بازار فراهم آورده‌اند. در حالی که مدل‌های سنتی پیش‌بینی قیمت اغلب بر داده‌های مالی گذشته و شاخص‌های اقتصادی تکیه می‌کنند، پدیده‌ای به نام رسانه‌های اجتماعی به منبعی قدرتمند و تاثیرگذار در شکل‌دهی به افکار عمومی و به تبع آن، روند قیمت‌گذاری در بازارهای مالی تبدیل شده است.

مقاله حاضر با عنوان «تحلیل احساسات مبتنی بر LSTM برای پیش‌بینی قیمت ارزهای دیجیتال»، به بررسی ارتباط میان احساسات بیان شده در پلتفرم‌های رسانه‌های اجتماعی و تغییرات قیمتی ارزهای دیجیتال می‌پردازد. این پژوهش، در تقاطع حوزه‌های کلان‌داده‌ها (Big Data)، پردازش زبان طبیعی (Natural Language Processing – NLP) و هوش مصنوعی (Artificial Intelligence)، یک رویکرد نوین را برای پیش‌بینی نوسانات شدید بازار ارزهای دیجیتال معرفی می‌کند. اهمیت این مقاله از آنجا نشأت می‌گیرد که با بهره‌گیری از داده‌های غیرساختاریافته و حجیم رسانه‌های اجتماعی، به دنبال کشف الگوهای پنهانی است که مدل‌های سنتی از تشخیص آن‌ها ناتوان هستند و می‌تواند ابزاری کارآمد برای سرمایه‌گذاران و تحلیلگران باشد تا با دیدی عمیق‌تر به بازار، تصمیمات آگاهانه‌تری اتخاذ کنند.

این مقاله حاصل تلاش‌های گروهی از محققان برجسته به نام‌های Xin Huang، Wenbin Zhang، Xuejiao Tang، Mingli Zhang، Jayachander Surbiryala، Vasileios Iosifidis، Zhen Liu و Ji Zhang است. این تیم پژوهشی با تخصص‌های متنوع در حوزه‌های هوش مصنوعی، یادگیری ماشین و پردازش زبان طبیعی، یک رویکرد میان‌رشته‌ای را برای حل یکی از پیچیده‌ترین مسائل مالی به کار گرفته‌اند.

زمینه‌های علمی اصلی که این تحقیق در آن‌ها جای می‌گیرد، عبارتند از محاسبات و زبان (Computation and Language) و هوش مصنوعی (Artificial Intelligence). این طبقه‌بندی نشان‌دهنده ماهیت دوگانه پژوهش است؛ از یک سو، با پردازش و تحلیل حجم وسیعی از داده‌های متنی (زبان) سروکار دارد و از سوی دیگر، با طراحی و پیاده‌سازی مدل‌های هوشمند یادگیری ماشین (AI) برای استخراج بینش و انجام پیش‌بینی‌ها. این پژوهش، با تکیه بر پیشرفت‌های اخیر در تحلیل کلان‌داده‌ها و توانایی‌های رو به رشد پردازش زبان طبیعی، به دنبال توسعه تکنیک‌های خودکار برای تحلیل احساسات در اطلاعات رسانه‌های اجتماعی است. با توجه به افزایش چشمگیر تعداد کاربران رسانه‌های اجتماعی و حجم بالای پست‌های منتشر شده، این پلتفرم‌ها به منبع ارزشمندی از اطلاعات احساسی تبدیل شده‌اند که می‌توانند برای پیش‌بینی نوسانات قیمت ارزهای دیجیتال مورد استفاده قرار گیرند.

با گسترش روزافزون کلان‌داده‌ها و پیشرفت‌های چشمگیر در حوزه پردازش زبان طبیعی، تکنیک‌های خودکار تحلیل احساسات در اطلاعات رسانه‌های اجتماعی توسعه یافته‌اند. این پیشرفت‌ها، در کنار رشد تصاعدی کاربران و حجم بالای پست‌ها در رسانه‌های اجتماعی، منبع عظیمی از اطلاعات احساسی را فراهم می‌آورند که می‌توانند برای پیش‌بینی نوسانات قیمت ارزهای دیجیتال به کار روند.

هدف اصلی این پژوهش، پیش‌بینی حرکت نوسانی قیمت ارزهای دیجیتال با تحلیل احساسات در رسانه‌های اجتماعی و یافتن همبستگی میان آن‌هاست. در حالی که کارهای قبلی عمدتاً بر تحلیل احساسات در پست‌های انگلیسی‌زبان رسانه‌های اجتماعی متمرکز بوده‌اند، این مقاله روشی را برای شناسایی احساسات در پست‌های رسانه‌های اجتماعی چینی، به‌ویژه از محبوب‌ترین پلتفرم چینی یعنی Sina-Weibo، پیشنهاد می‌دهد. این رویکرد جدید، شکاف موجود در تحلیل زبان‌های غیرانگلیسی را پر می‌کند.

محققان یک خط لوله جامع را برای جمع‌آوری پست‌های Weibo توسعه داده‌اند. همچنین، ایجاد یک فرهنگ لغت احساسات مخصوص ارزهای دیجیتال (crypto-specific sentiment dictionary) را شرح می‌دهند که برای درک بهتر اصطلاحات و احساسات مرتبط با این بازار حیاتی است. هسته اصلی مدل پیشنهادی، یک شبکه عصبی بازگشتی مبتنی بر حافظه طولانی-کوتاه مدت (LSTM) است که با استفاده از سابقه حرکت قیمت ارز دیجیتال، روند قیمت را برای بازه‌های زمانی آینده پیش‌بینی می‌کند.

آزمایش‌های انجام شده نشان می‌دهند که رویکرد پیشنهادی به طور قابل توجهی از مدل‌های خودرگرسیو (auto regressive) پیشرفته موجود پیشی می‌گیرد. این برتری با افزایش دقت (precision) به میزان 18.5% و فراخوانی (recall) به میزان 15.4% به اثبات رسیده است، که نشان‌دهنده قدرت و کارایی بالای مدل LSTM در این حوزه است.

روش‌شناسی به کار گرفته شده در این پژوهش یک رویکرد چندمرحله‌ای و جامع را شامل می‌شود که با هدف استخراج اطلاعات احساسی از رسانه‌های اجتماعی و ادغام آن با داده‌های قیمتی تاریخی برای پیش‌بینی دقیق‌تر قیمت ارزهای دیجیتال طراحی شده است.

• جمع‌آوری داده‌ها از Sina-Weibo: اولین گام در این تحقیق، جمع‌آوری حجم عظیمی از پست‌های کاربران از پلتفرم Sina-Weibo بود. این پلتفرم، به عنوان یکی از محبوب‌ترین شبکه‌های اجتماعی در چین، منبعی غنی از نظرات و احساسات عمومی درباره موضوعات مختلف، از جمله ارزهای دیجیتال، به شمار می‌رود. محققان یک خط لوله (pipeline) اختصاصی برای جمع‌آوری و فیلتر کردن این پست‌ها توسعه دادند تا داده‌های مرتبط با ارزهای دیجیتال را استخراج کنند. چالش اصلی در این مرحله، ماهیت زبان چینی و پیچیدگی‌های آن برای تحلیل احساسات خودکار بود که نیازمند رویکردهای تخصصی‌تری نسبت به زبان انگلیسی است.
• ایجاد فرهنگ لغت احساسات مخصوص ارزهای دیجیتال: یکی از نوآوری‌های کلیدی این پژوهش، توسعه یک فرهنگ لغت احساسات مخصوص حوزه ارزهای دیجیتال و به زبان چینی است. فرهنگ لغت‌های احساسات عمومی ممکن است قادر به درک اصطلاحات خاص، عامیانه و نوظهور در دنیای ارزهای دیجیتال نباشند (مانند “HODL”, “pump and dump”, “FOMO” که معادل‌های چینی خود را دارند). این فرهنگ لغت سفارشی به مدل کمک می‌کند تا احساسات مثبت، منفی و خنثی را با دقت بسیار بالاتری در متون مرتبط با ارزهای دیجیتال شناسایی کند.
• پردازش زبان طبیعی و استخراج ویژگی: پس از جمع‌آوری داده‌ها، پست‌های متنی تحت فرآیندهای پیش‌پردازش NLP قرار گرفتند. این مراحل شامل توکن‌سازی (tokenization)، حذف کلمات توقف (stopwords removal)، و شناسایی عبارات کلیدی است. سپس، با استفاده از فرهنگ لغت احساسات اختصاصی، نمرات احساسی برای هر پست محاسبه شد که به عنوان یکی از ویژگی‌های ورودی مدل پیش‌بینی عمل می‌کند.
• معماری شبکه عصبی LSTM: برای پیش‌بینی روند قیمت، از یک شبکه عصبی بازگشتی (Recurrent Neural Network – RNN) مبتنی بر LSTM استفاده شده است. شبکه‌های LSTM به دلیل توانایی منحصر به فردشان در مدل‌سازی وابستگی‌های بلندمدت در داده‌های توالی (مانند سری‌های زمانی و متن)، برای این وظیفه بسیار مناسب هستند. این مدل می‌تواند هم الگوهای زمانی در داده‌های قیمت تاریخی و هم توالی کلمات در متن برای استخراج احساسات را درک کند.
• ادغام داده‌های احساسی و قیمتی: در نهایت، نمرات احساسی استخراج شده از پست‌های Weibo با داده‌های تاریخی قیمت ارزهای دیجیتال (شامل قیمت‌های بازگشایی، بسته شدن، بالا و پایین و حجم معاملات) ترکیب شدند. این داده‌های ترکیبی به عنوان ورودی به مدل LSTM داده شدند تا مدل بتواند ارتباطات پیچیده بین احساسات عمومی و حرکت قیمت را بیاموزد.
• آموزش و ارزیابی مدل: مدل LSTM با استفاده از بخش بزرگی از داده‌های جمع‌آوری شده آموزش داده شد و سپس با یک مجموعه داده جداگانه برای ارزیابی عملکرد آن، مورد آزمایش قرار گرفت. معیارهای ارزیابی اصلی شامل دقت (precision) و فراخوانی (recall) بودند. عملکرد مدل پیشنهادی با یک مدل خودرگرسیو پیشرفته (State-of-the-art auto regressive model) مقایسه شد تا کارایی و برتری آن به اثبات برسد.

نتایج حاصل از آزمایش‌های این پژوهش، دلالت‌های مهمی برای پیش‌بینی قیمت ارزهای دیجیتال با استفاده از تحلیل احساسات دارند. یافته‌های کلیدی به وضوح نشان‌دهنده برتری رویکرد پیشنهادی هستند:

• برتری چشمگیر مدل LSTM: مهمترین یافته این است که رویکرد پیشنهادی مبتنی بر LSTM به طور قابل توجهی بهتر از مدل خودرگرسیو (auto regressive) پیشرفته عمل می‌کند. این برتری در معیارهای اصلی ارزیابی یعنی دقت و فراخوانی مشهود است.
• افزایش دقت 18.5%: مدل LSTM توانسته است دقت پیش‌بینی خود را 18.5% نسبت به مدل پایه افزایش دهد. این بدان معناست که درصد پیش‌بینی‌های صحیح (مثلاً افزایش یا کاهش قیمت) به طور قابل ملاحظه‌ای بیشتر شده است. دقت بالا در بازارهای مالی به معنای کاهش ریسک و افزایش سودآوری برای سرمایه‌گذاران است.
• افزایش فراخوانی 15.4%: همچنین، فراخوانی مدل به میزان 15.4% بهبود یافته است. فراخوانی نشان‌دهنده توانایی مدل در شناسایی تمامی موارد مثبت واقعی (مثلاً شناسایی تمامی زمان‌هایی که قیمت افزایش می‌یابد). بهبود فراخوانی به معنی از دست ندادن فرصت‌های مهم پیش‌بینی و توانایی بهتر در تشخیص روندهای بازار است.
• همبستگی قوی بین احساسات و قیمت: این تحقیق به وضوح نشان می‌دهد که یک همبستگی قوی و قابل استفاده بین احساسات بیان شده در رسانه‌های اجتماعی و حرکت قیمت ارزهای دیجیتال وجود دارد. این یافته، اعتبار استفاده از داده‌های غیرسنتی (نظیر احساسات) را در مدل‌های پیش‌بینی مالی تایید می‌کند.
• کارایی تحلیل احساسات در زبان چینی: یکی دیگر از دستاوردهای مهم، اثبات کارایی تحلیل احساسات در پست‌های رسانه‌های اجتماعی چینی (Sina-Weibo) برای پیش‌بینی قیمت ارزهای دیجیتال است. این امر نشان می‌دهد که رویکردهای تخصصی برای زبان‌های مختلف می‌تواند نتایج موثری داشته باشد و تنها محدود به زبان انگلیسی نیست.

این نتایج نشان‌دهنده پتانسیل بالای استفاده از مدل‌های یادگیری عمیق مانند LSTM، به همراه داده‌های احساسی از رسانه‌های اجتماعی، برای بهبود چشمگیر دقت و کارایی پیش‌بینی در بازارهای مالی پرنوسان مانند ارزهای دیجیتال است.

دستاوردها و یافته‌های این پژوهش، کاربردهای عملی گسترده‌ای در حوزه‌های مختلف، به ویژه در بازارهای مالی و تحلیل داده‌ها، دارند:

• برای سرمایه‌گذاران و معامله‌گران ارز دیجیتال: این مدل می‌تواند به عنوان یک ابزار قدرتمند برای تصمیم‌گیری آگاهانه به کار رود. سرمایه‌گذاران می‌توانند با استفاده از پیش‌بینی‌های مبتنی بر احساسات، زمان مناسب برای خرید، فروش یا نگهداری دارایی‌های دیجیتال خود را شناسایی کنند. این امر می‌تواند به کاهش ریسک و افزایش بازده سرمایه‌گذاری منجر شود. به عنوان مثال، در صورت شناسایی روند احساسات به شدت مثبت نسبت به یک ارز دیجیتال خاص، یک سرمایه‌گذار ممکن است به فکر خرید آن قبل از افزایش قیمت قریب‌الوقوع باشد.
• برای تحلیلگران بازار و مؤسسات مالی: این تحقیق روشی جدید برای درک عمیق‌تر پویایی بازار و شناسایی عوامل محرک تغییرات قیمت ارائه می‌دهد. مؤسسات مالی می‌توانند از این مدل‌ها برای توسعه محصولات و خدمات نوین، ارزیابی ریسک سبد سهام و ارائه توصیه‌های سرمایه‌گذاری پیشرفته‌تر به مشتریان خود بهره ببرند.
• توسعه سیستم‌های معاملاتی خودکار (ربات‌های معاملاتی): مدل‌های پیش‌بینی دقیق می‌توانند هسته اصلی ربات‌های معاملاتی هوشمند را تشکیل دهند. این ربات‌ها قادر خواهند بود به صورت خودکار، احساسات بازار را پایش کرده و بر اساس پیش‌بینی‌های مدل LSTM، معاملات را در زمان مناسب انجام دهند، بدون نیاز به دخالت انسانی.
• پیشرفت در پردازش زبان طبیعی چندزبانه: این پژوهش با تمرکز بر زبان چینی و ایجاد فرهنگ لغت احساسات مخصوص این زبان، سهم مهمی در پردازش زبان طبیعی برای زبان‌های غیرانگلیسی دارد. این دستاورد می‌تواند راه را برای تحقیقات مشابه در سایر زبان‌ها و حوزه‌های تخصصی باز کند.
• بینش‌های جدید در اقتصاد رفتاری: نتایج این تحقیق، فرضیه بازار کارا (Efficient Market Hypothesis) را تا حدودی به چالش می‌کشد و نشان می‌دهد که عوامل رفتاری و روانشناختی (که در رسانه‌های اجتماعی منعکس می‌شوند) می‌توانند تأثیر قابل توجهی بر حرکت قیمت دارایی‌ها داشته باشند. این امر به غنی‌تر شدن مباحث اقتصاد رفتاری کمک می‌کند.
• سیستم‌های هشداردهنده زودهنگام: این مدل می‌تواند به عنوان یک سیستم هشداردهنده زودهنگام برای شناسایی روندهای ناگهانی صعودی (pump) یا نزولی (dump) در بازار ارزهای دیجیتال عمل کند و به بازیگران بازار کمک کند تا به سرعت به تغییرات واکنش نشان دهند.

در مجموع، این پژوهش نه تنها از نظر تئوریک به پیشرفت دانش در زمینه هوش مصنوعی و تحلیل مالی کمک می‌کند، بلکه ابزارهای عملی و کاربردی را نیز برای مواجهه با چالش‌های بازار پرنوسان ارزهای دیجیتال فراهم می‌آورد.

پژوهش “تحلیل احساسات مبتنی بر LSTM برای پیش‌بینی قیمت ارزهای دیجیتال” به وضوح نشان می‌دهد که ادغام قدرت پردازش زبان طبیعی پیشرفته و مدل‌های یادگیری عمیق با حجم وسیع داده‌های رسانه‌های اجتماعی، می‌تواند به ابزاری قدرتمند برای پیش‌بینی نوسانات بازار ارزهای دیجیتال تبدیل شود. این مطالعه، با تمرکز خاص بر پلتفرم Sina-Weibo و زبان چینی، گامی مهم در گسترش دامنه تحلیل احساسات فراتر از زبان انگلیسی برداشته است.

نتایج تحقیق، برتری قابل ملاحظه رویکرد مبتنی بر LSTM را در مقایسه با مدل‌های خودرگرسیو اثبات می‌کند، با افزایش 18.5% در دقت و 15.4% در فراخوانی. این بهبود در عملکرد، تاکید مجددی بر اهمیت گنجاندن عوامل احساسی و رفتاری، که در پست‌های رسانه‌های اجتماعی منعکس می‌شوند، در مدل‌های پیش‌بینی مالی دارد.

مهمترین دستاوردها عبارتند از: توسعه یک خط لوله کامل برای جمع‌آوری و تحلیل داده‌های رسانه‌های اجتماعی چینی، ایجاد یک فرهنگ لغت احساسات تخصصی برای حوزه ارزهای دیجیتال، و پیاده‌سازی یک مدل LSTM که قادر به ترکیب موثر داده‌های احساسی و تاریخی قیمت است. این یافته‌ها نه تنها به پیشرفت‌های تئوریک در هوش مصنوعی و پردازش زبان طبیعی کمک می‌کنند، بلکه کاربردهای عملی فراوانی برای سرمایه‌گذاران، معامله‌گران و تحلیلگران بازار ارزهای دیجیتال دارند و می‌توانند به افزایش سودآوری و کاهش ریسک کمک کنند.

در آینده، این پژوهش می‌تواند با بررسی پلتفرم‌های اجتماعی بیشتر، ادغام انواع دیگر داده‌ها (مانند داده‌های تراکنش بلاکچین یا اخبار اقتصادی)، و آزمایش معماری‌های پیچیده‌تر یادگیری عمیق، گسترش یابد. همچنین، توسعه مدل‌های پیش‌بینی در زمان واقعی (real-time) و بررسی تأثیر رویدادهای ناگهانی (مانند توییت‌های افراد تاثیرگذار) بر احساسات و قیمت‌ها، می‌تواند از مسیرهای جذاب برای تحقیقات آتی باشد. در نهایت، این تحقیق نشان می‌دهد که هم‌افزایی بین فناوری‌های نوین هوش مصنوعی و بازارهای مالی، پتانسیل عظیمی برای دگرگون‌سازی نحوه درک و پیش‌بینی روندهای اقتصادی دارد.