پیش بینی نوسانات بازار ارز دیجیتال با ترکیب یادگیری عمیق و داده های احساسات شبکه های اجتماعی
آرشیو
چکیده
بازار ارزهای دیجیتال به دلیل ماهیت غیرمتمرکز، نقدشوندگی بالا و تأثیرپذیری گسترده از اخبار و رویدادهای اجتماعی، یکی از پرنوسان ترین بازارهای مالی جهان محسوب می شود. پیش بینی دقیق نوسانات این بازار می تواند نقش مهمی در تصمیم گیری سرمایه گذاران، مدیریت ریسک و بهبود عملکرد استراتژی های معاملاتی ایفا کند. هدف این پژوهش ارائه مدلی ترکیبی مبتنی بر یادگیری عمیق و تحلیل احساسات شبکه های اجتماعی برای پیش بینی نوسانات بازار ارزهای دیجیتال است. در این مطالعه، داده های تاریخی قیمت و حجم معاملات ارزهای دیجیتال در کنار داده های متنی استخراج شده از شبکه های اجتماعی نظیر توییتر، ردیت و تلگرام مورد استفاده قرار گرفته اند. برای استخراج احساسات کاربران از تکنیک های پردازش زبان طبیعی و برای مدل سازی سری های زمانی از شبکه های عصبی عمیق شامل LSTM و GRU استفاده شده است. نتایج پژوهش نشان می دهد که ترکیب داده های مالی و شاخص های احساسات اجتماعی نسبت به استفاده صرف از داده های قیمتی، دقت پیش بینی نوسانات را به طور معناداری افزایش می دهد. همچنین یافته ها حاکی از آن است که تغییرات احساسات کاربران در شبکه های اجتماعی دارای قدرت توضیح دهندگی قابل توجهی در خصوص رفتار آتی بازار ارزهای دیجیتال هستند. نتایج این پژوهش می تواند برای سرمایه گذاران، تحلیلگران مالی و توسعه دهندگان سیستم های هوشمند معاملاتی کاربردهای ارزشمندی فراهم آورد.Predicting Cryptocurrency Market Volatility Using Deep Learning and Social Media Sentiment Data
The cryptocurrency market is considered one of the most volatile financial markets due to its decentralized nature, high liquidity, and strong sensitivity to news and social events. Accurate prediction of market volatility can significantly support investment decisions, risk management, and the effectiveness of trading strategies. This study proposes a hybrid framework that integrates deep learning techniques with social media sentiment analysis to predict cryptocurrency market volatility. Historical price and trading volume data are combined with textual information extracted from social media platforms such as Twitter, Reddit, and Telegram. Natural Language Processing (NLP) methods are employed to extract user sentiments, while deep neural network architectures, including Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU), are utilized for time-series forecasting. The findings indicate that integrating financial indicators with sentiment-based features significantly improves prediction accuracy compared to models relying solely on historical market data. Furthermore, the results reveal that social media sentiment possesses substantial explanatory power regarding future cryptocurrency market behavior. The proposed framework offers valuable implications for investors, financial analysts, and developers of intelligent trading systems seeking to enhance forecasting performance in highly dynamic digital asset markets.
تبلیغات
