DOI: https://doi.org/10.47839/ijc.25.1.4490
تاريخ النشر: 2026-03-31
المؤلف: Oleksii Ivanov وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تتناول هذه الدراسة التحدي الذي تطرحه الزيادة المتزايدة في حجم محتوى الفيديو المالي غير المنظم في التحليل الاستثماري التقليدي. تستكشف تطبيق معالجة اللغة الطبيعية (NLP) لاستخراج، هيكلة، والتحقق من صحة رؤى استثمارية قابلة للتنفيذ تلقائيًا من مثل هذه الفيديوهات. تم تطوير خط أنابيب آلي باستخدام خدمات نسخ الفيديو ونماذج اللغة الكبيرة (LLMs)، وتم اختباره بشكل خاص على 22 فيديو على يوتيوب تحلل أمازون (AMZN) وجوجل (GOOG).
تم استخدام نموذج ChatGPT-4 لمعالجة النصوص، حيث نجح في استخراج رموز الأسهم، مستويات المخاطر، وتوقعات الأسعار في تنسيق JSON منظم. أظهر النظام دقة 100% في التعرف على الشركات وتصنيف المحتوى غير ذي الصلة. أظهرت التحقق التجريبي مقابل بيانات السوق الفعلية دقة توقع إجمالية بلغت 85%، مع 90% لأمازون و80% لجوجل، متجاوزة نماذج ARIMA التقليدية. تشير هذه النتائج إلى أن معالجة اللغة الطبيعية يمكن أن تؤتمت بشكل فعال تحليل الفيديوهات المالية، محولة الوسائط غير المنظمة إلى بيانات منظمة ومتحققة تعزز من اتخاذ القرارات الاستثمارية.
مقدمة
في مقدمة الورقة، يبرز المؤلفون النمو الأسي للبيانات، المتوقع أن يصل إلى 402.74 مليون تيرابايت بحلول عام 2024، مع جزء كبير منها بيانات غير منظمة مثل الرسائل الإلكترونية، الوثائق، وملفات الوسائط المتعددة. تحتوي هذه البيانات غير المنظمة على معلومات غير ذات صلة ورؤى قيمة ضرورية لاتخاذ القرارات الاستراتيجية وتحليل الأعمال. تكافح طرق معالجة البيانات التقليدية لتفسير السياق بفعالية وتحديد العلاقات ضمن هذا الكم الهائل من المعلومات، مما يؤدي إلى تحديات في تحويل البيانات غير المنظمة إلى تنسيقات منظمة.
يؤكد المؤلفون على دور معالجة اللغة الطبيعية (NLP) ورؤية الكمبيوتر في معالجة هذه التحديات من خلال تمكين تحليل البيانات النصية والمرئية بشكل آلي. تسهل معالجة اللغة الطبيعية مهام مثل استخراج الكلمات الرئيسية وتحليل المشاعر، مما يمكن أن يعزز الاستجابة لتغيرات السوق، بينما تساعد رؤية الكمبيوتر في تحليل محتوى الوسائط. يتم تقديم دمج تقنيات الذكاء الاصطناعي كوسيلة لتحسين كفاءة معالجة البيانات ودقة التحليل، مع أدلة تشير إلى أن الذكاء الاصطناعي قد تجاوز القدرات البشرية في مهام معرفية متنوعة. ومع ذلك، لا يزال الخبراء البشريون يتفوقون في حل المشكلات المنطقية المعقدة وإدارة المشاريع طويلة الأجل. تختتم الورقة بالإشارة إلى أنه مع تزايد وصول تقنيات الذكاء الاصطناعي، تعترف الشركات بشكل متزايد بأهميتها الاستراتيجية، مع نسبة كبيرة تعطي الأولوية لتبني الذكاء الاصطناعي لتحقيق ميزة تنافسية.
الطرق
الهدف من هذه الدراسة التجريبية هو تقييم فعالية تقنيات معالجة اللغة الطبيعية (NLP) في أتمتة تحليل محتوى الفيديو المالي، مع التركيز على تحويل بيانات الفيديو غير المنظمة إلى معلومات منظمة تساعد في اتخاذ القرارات الاستثمارية. تهدف الدراسة بشكل خاص إلى استخراج العناصر الحرجة مثل توقعات أسعار الأسهم، تقييمات المخاطر، والعوامل المؤثرة، مع تقييم دمج أتمتة معالجة اللغة الطبيعية في أنظمة الاستشارات المالية وتقارير الاستثمار.
شملت المنهجية عدة مراحل رئيسية، بدءًا من اختيار فيديوهات مالية من يوتيوب بناءً على الصلة بأمازون (AMZN) وجوجل (GOOG)، تنوع الموضوعات، وكلمات البحث المحددة. تم اختيار ما مجموعه 22 فيديو، مع ضمان مزيج من المحتوى الحديث والقديم. تم توليد نصوص هذه الفيديوهات باستخدام خدمة Restream “نسخ الفيديو إلى نص”، والتي تم التحقق من دقتها. بعد ذلك، تمت معالجة النصوص باستخدام نموذج ChatGPT-4، مع استخدام مطالبة موحدة لاستخراج معلومات استثمارية منظمة في تنسيق JSON. كانت هذه الطريقة تهدف إلى تقليل التحيز من خلال تجنب مصطلحات المشاعر، مع استنتاج تصنيف المشاعر من توقعات أسعار الأسهم—”ارتفاع”، “انخفاض”، أو “نفس الشيء”—المطابقة للمشاعر الإيجابية، السلبية، والمحايدة، على التوالي. تتماشى هذه المنهجية مع الممارسات المعمول بها في أبحاث معالجة اللغة الطبيعية المالية، مما يضمن رؤى قوية وموثوقة.
النتائج
في تحليل النتائج، قيمت الدراسة أداء نظام معالجة اللغة الطبيعية (NLP) في التعرف على الشركات، الرموز، ومخاطر الاستثمار، بالإضافة إلى توقع أسعار الأسهم. تم تقييم بعدين من الدقة: دقة استخراج NLP، التي تقيس قدرة النظام على تحديد الكيانات المالية ذات الصلة والتوقعات من النصوص الخام، ودقة التحقق من التوقعات، التي تقيس توافق هذه التوقعات مع تحركات السوق الفعلية. تشير النتائج إلى أن خط أنابيب NLP قد استخرج التوقعات بفعالية، مما يظهر إمكانيته في توليد إشارات استثمارية قابلة للتنفيذ.
كشفت نتائج تقييم المخاطر أن النموذج صنف المخاطر لأمازون وجوجل بناءً على تحديات الصناعة المحددة. بالنسبة لأمازون، كانت المخاطر مرتبطة بالمنافسة في خدمات السحابة وتعويضات الموظفين، بينما واجهت جوجل مخاطر تتعلق بتقلب سوق الإعلانات والتدقيق التنظيمي. أظهر تحليل المشاعر السوقية المجمعة، المستمدة من مخرجات التوقعات، مشاعر متفائلة بشدة تجاه أمازون مع دقة تحقق من التوقعات بلغت 90%، في حين أظهرت جوجل مشاعر إيجابية بشكل رئيسي ولكن مع معدل خطأ بنسبة 20% في تحقق التوقعات. بالإضافة إلى ذلك، نجح النظام في تحديد الفيديوهات غير ذات الصلة، مع إرجاع مخرجات محايدة. تهدف الأبحاث المستقبلية إلى تعزيز الدقة من خلال تحليل المشاعر متعددة الوسائط التي تدمج البيانات النصية، الصوتية، والمرئية.
المناقشة
في قسم المناقشة من الورقة، يؤكد المؤلفون على الإمكانات التحولية لمعالجة اللغة الطبيعية (NLP) والأدوات الآلية في التحليل المالي، خاصة للمستثمرين الذين يفتقرون إلى الكفاءة اللغوية أو الوقت للبحث المكثف. من خلال الاستفادة من NLP، يمكن للمستثمرين تحليل كميات هائلة من البيانات غير المنظمة، مثل المحتوى متعدد الوسائط، لاستخراج رؤى قابلة للتنفيذ تدعم اتخاذ القرارات المستنيرة. تستكشف الدراسة بشكل خاص ما إذا كانت تقنيات NLP يمكن أن تستخرج وتتحقق بدقة من الرؤى الاستثمارية من محتوى الفيديو المالي غير المنظم، مع التركيز على ديناميكيات المشاعر على مستوى الأسهم الفردية من خلال بنية تعدين البيانات المدمجة مع نماذج اللغة الكبيرة (LLMs).
تسلط مراجعة الأدبيات الضوء على فعالية طرق NLP في توقع أسعار الأدوات المالية، خاصة من خلال تحليل مصادر البيانات غير المنظمة مثل التقارير التنظيمية ووسائل التواصل الاجتماعي. تشير النتائج الرئيسية إلى أن النماذج المعتمدة على NLP تقلل بشكل كبير من أخطاء التوقعات، خاصة للتوقعات طويلة الأجل، وأن دمج تحليل المشاعر مع البيانات الكمية يعزز دقة التنبؤ. تتناول الورقة أيضًا التحديات المنهجية في تحليل المشاعر، مثل الإفراط في التكيف والحاجة إلى تقليل الأبعاد، بينما تقترح إطارًا لتفاعل المستخدم مع أنظمة الذكاء الاصطناعي. بشكل عام، تؤكد الأبحاث على أهمية NLP في تعزيز التوقعات المالية واتخاذ القرارات، مع تحديد الفجوات في الأدبيات الحالية بشأن ديناميكيات المشاعر على مستوى الأسهم الفردية، والتي تهدف هذه الدراسة إلى معالجتها.
القيود
تسلط قسم القيود الضوء على عدة قيود حاسمة في نهج NLP المقترح لتحليل الفيديو المالي. أولاً، تؤدي تحويل المحتوى متعدد الوسائط إلى نص إلى حذف الإشارات غير اللفظية الأساسية، مثل النغمة العاطفية والسياق المرئي، والتي تعتبر حيوية لتفسير الاتصالات المالية بدقة. ثانيًا، تتأثر موثوقية النسخ التلقائي بعوامل مثل الضوضاء الخلفية، لهجات المتحدثين، واستخدام المصطلحات المالية المتخصصة، مما قد يؤدي إلى عدم دقة في المخرجات المنسوخة. بالإضافة إلى ذلك، تظهر النماذج الحالية لـ NLP، بما في ذلك نماذج اللغة الكبيرة (LLMs) مثل ChatGPT-4، فهمًا محدودًا للسياق العميق، مما يعرضها لخطر سوء تفسير المناقشات المالية المعقدة عندما تكون العناصر السياقية الأساسية غائبة.
علاوة على ذلك، يمثل احتمال التحيز في نماذج الذكاء الاصطناعي مصدر قلق كبير، حيث قد تعكس LLMs التحيزات الموجودة في بيانات تدريبها، مما يؤثر على حيادية التقييمات المالية. تشير الدراسة أيضًا إلى استبعاد تحليل البيانات المرئية، مما يترك معلومات حيوية من الرسوم البيانية والمخططات، مما قد يؤدي إلى استنتاجات غير مكتملة. أخيرًا، فإن مجموعة البيانات الصغيرة نسبيًا المكونة من 22 فيديو تركز فقط على شركتين (AMZN وGOOG) تحد من إمكانية تعميم النتائج. يُشجع على إجراء أبحاث مستقبلية لتوسيع مجموعة البيانات، ودمج المحتوى متعدد اللغات، وتطوير نماذج متعددة الوسائط يمكنها تحليل البيانات النصية، الصوتية، والمرئية بشكل جماعي لتعزيز فعالية التحليل المالي الآلي.
DOI: https://doi.org/10.47839/ijc.25.1.4490
Publication Date: 2026-03-31
Author(s): Oleksii Ivanov et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This study addresses the challenge posed by the growing volume of unstructured financial video content in traditional investment analysis. It explores the application of Natural Language Processing (NLP) to automatically extract, structure, and validate actionable investment insights from such videos. An automated pipeline was developed utilizing video transcription services and Large Language Models (LLMs), specifically tested on 22 YouTube videos analyzing Amazon (AMZN) and Google (GOOG).
The ChatGPT-4 model was employed to process the transcripts, successfully extracting stock tickers, risk levels, and price forecasts into a structured JSON format. The system demonstrated 100% accuracy in recognizing companies and filtering out irrelevant content. Empirical validation against actual market data indicated an overall forecast accuracy of 85%, with 90% for AMZN and 80% for GOOG, surpassing traditional ARIMA time-series models. These findings suggest that NLP can effectively automate the analysis of financial videos, converting unstructured media into validated, structured data that enhances investment decision-making.
Introduction
In the introduction of the paper, the authors highlight the exponential growth of data, projected to reach 402.74 million terabytes by 2024, with a significant portion being unstructured data such as emails, documents, and multimedia files. This unstructured data contains both irrelevant information and valuable insights essential for strategic decision-making and business analysis. Traditional data processing methods struggle to effectively interpret context and identify relationships within this vast array of information, leading to challenges in transforming unstructured data into structured formats.
The authors emphasize the role of Natural Language Processing (NLP) and computer vision in addressing these challenges by enabling automated text and visual data analysis. NLP facilitates tasks such as keyword extraction and sentiment analysis, which can enhance responsiveness to market changes, while computer vision aids in the analysis of media content. The integration of AI technologies is presented as a means to improve data processing efficiency and analytical accuracy, with evidence suggesting that AI has surpassed human capabilities in various cognitive tasks. However, human experts still excel in solving complex logical problems and managing long-term projects. The paper concludes by noting that as AI technologies become more accessible, businesses increasingly recognize their strategic importance, with a significant percentage prioritizing AI adoption for competitive advantage.
Methods
The objective of this experimental study is to assess the effectiveness of Natural Language Processing (NLP) technologies in automating the analysis of financial video content, with a focus on transforming unstructured video data into structured information that aids investment decision-making. The study specifically aims to extract critical elements such as stock price forecasts, risk assessments, and influencing factors, while also evaluating the integration of NLP automation into financial advisory systems and investment reporting.
The methodology involved several key stages, beginning with the selection of financial videos from YouTube based on relevance to Amazon (AMZN) and Google (GOOG), topic diversity, and specific search keywords. A total of 22 videos were selected, ensuring a mix of recent and older content. The transcripts of these videos were generated using the Restream “Transcribe Video to Text” service, which was verified for accuracy. Subsequently, the transcripts were processed using the ChatGPT-4 model, employing a standardized prompt to extract structured investment information in a JSON format. This approach aimed to minimize bias by avoiding sentiment terminology, with sentiment classification inferred from the price forecast predictions—”up,” “down,” or “same”—corresponding to positive, negative, and neutral sentiments, respectively. This methodology aligns with established practices in financial NLP research, ensuring robust and reliable insights.
Results
In the analysis of results, the study evaluated the performance of a natural language processing (NLP) system in recognizing companies, tickers, and investment risks, as well as forecasting stock prices. Two dimensions of accuracy were assessed: NLP extraction accuracy, which measures the system’s ability to identify relevant financial entities and forecasts from raw transcripts, and forecast validation accuracy, which gauges the alignment of these forecasts with actual market movements. The findings indicate that the NLP pipeline effectively extracted forecasts, demonstrating its potential utility in generating actionable investment signals.
Risk assessment results revealed that the model categorized risks for Amazon and Google based on specific industry challenges. For Amazon, risks were linked to competition in cloud services and employee compensation, while Google faced risks related to advertising market volatility and regulatory scrutiny. The aggregated market sentiment analysis, derived from forecast outputs, showed a strongly optimistic sentiment for Amazon with a 90% forecast validation accuracy, whereas Google exhibited a predominantly positive sentiment but with a 20% error rate in forecast validation. Additionally, the system successfully identified irrelevant videos, returning neutral outputs. Future research aims to enhance accuracy through multimodal sentiment analysis that integrates text, audio, and visual data.
Discussion
In the discussion section of the paper, the authors emphasize the transformative potential of Natural Language Processing (NLP) and automated tools in financial analysis, particularly for investors lacking language proficiency or time for extensive research. By leveraging NLP, investors can efficiently analyze vast amounts of unstructured data, such as multimedia content, to extract actionable insights that support informed decision-making. The study specifically investigates whether NLP technologies can accurately extract and validate investment insights from unstructured financial video content, focusing on sentiment dynamics at the individual stock level through a data mining architecture integrated with large language models (LLMs).
The literature review highlights the effectiveness of NLP methods in forecasting financial instrument prices, particularly through the analysis of unstructured data sources like regulatory reports and social media. Key findings indicate that NLP-based models significantly reduce forecast errors, especially for long-term predictions, and that integrating sentiment analysis with quantitative data enhances prediction accuracy. The paper also addresses methodological challenges in sentiment analysis, such as overfitting and the need for dimensionality reduction, while proposing a framework for user interaction with AI systems. Overall, the research underscores the importance of NLP in enhancing financial forecasting and decision-making, while identifying gaps in existing literature regarding sentiment dynamics at the individual stock level, which this study aims to address.
Limitations
The section on limitations highlights several critical constraints of the proposed NLP approach for financial video analysis. Firstly, the conversion of multimedia content to text results in the omission of essential non-verbal cues, such as emotional tone and visual context, which are vital for accurately interpreting financial communications. Secondly, the reliability of automatic transcription is influenced by factors like background noise, speaker accents, and the use of specialized financial jargon, potentially leading to inaccuracies in the transcribed output. Additionally, current NLP models, including large language models (LLMs) like ChatGPT-4, exhibit limited deep contextual understanding, risking misinterpretation of complex financial discussions when key contextual elements are absent.
Moreover, the potential for bias in AI models poses a significant concern, as LLMs may reflect biases present in their training data, thereby affecting the neutrality of financial assessments. The study also notes the exclusion of visual data analysis, leaving out critical information from graphs and charts, which could lead to incomplete conclusions. Lastly, the relatively small dataset of 22 videos focused on only two companies (AMZN and GOOG) restricts the generalizability of the findings. Future research is encouraged to expand the dataset, incorporate multilingual content, and develop multimodal models that can analyze text, audio, and visual data collectively to enhance the effectiveness of automated financial analysis.