DOI: https://doi.org/10.1016/j.bir.2025.06.013
تاريخ النشر: 2025-07-02
المؤلف: Mahat Maalim Ibrahim وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تبحث هذه الورقة البحثية في العلاقة بين تحركات سوق الأسهم والسرد الإخباري في تركيا، مستفيدة من تزايد توفر بيانات النصوص. تحلل الدراسة الأخبار التجارية والمالية والاقتصادية من أربع منشورات رئيسية—The Economist وThe New York Times وThe Guardian وYeni Şafak—بالإضافة إلى التغريدات المحلية، التي تعمل كمؤشرات لمشاعر الأخبار المحلية. باستخدام بيانات سوق الأسهم التركية اليومية من 1 يناير 2015 إلى 27 فبراير 2024، وتوظيف تقنيات معالجة اللغة الطبيعية المتقدمة (NLP) والتعلم الآلي وتقنيات الذكاء الاصطناعي القابلة للتفسير، تشير النتائج إلى أن الأخبار الدولية تتنبأ بشكل كبير باتجاهات سوق الأسهم، حيث تحقق نماذج التعلم الآلي دقة تنبؤية تصل إلى حوالي 80%. ومن الجدير بالذكر أن مصادر الأخبار الدولية التقليدية لها تأثير أكبر على توقعات السوق مقارنة بمنافذ الأخبار المحلية والتغريدات.
تؤكد الخاتمة على فعالية النماذج المركبة المتطورة، مثل Gradient Boosting وXGBoost وRandom Forest، في التقاط الفروق العاطفية التي تؤثر على سلوك المستثمرين. تتفوق هذه النماذج على الأساليب الخطية الأبسط، مثل الانحدار الخطي، من خلال عكس التفاعل المعقد للمشاعر مثل الخوف والجشع في السوق. تؤكد الدراسة على الدور الحاسم للسرد الإخباري في تشكيل مشاعر المستثمرين وديناميات السوق، كاشفة أنه بينما تعتبر الأسس الاقتصادية مهمة، فإن الجوانب العاطفية لسلوك السوق لها أهمية متساوية. تسلط النتائج الضوء على ضرورة أخذ تأثير وسائل الإعلام في التحليلات المالية في الاعتبار، حيث غالبًا ما تدفع العناصر البشرية وراء قرارات التداول تقلبات السوق.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على المشهد المتطور لتحليل الأسواق المالية، مشددة على قيود الأساليب التنبؤية التقليدية التي تعتمد بشكل أساسي على تحليل السلاسل الزمنية ومؤشرات الاقتصاد الأساسية. بينما كانت هذه الأساليب أساسية، فإنها غالبًا ما تفشل في حساب التعقيدات التي تطرحها عدم اليقين السياسي والاقتصادي الكلي، خاصة في بيئة عالمية تتغير بسرعة تتميز بتدفق المعلومات الفوري. تشير الورقة إلى تحول كبير نحو استخدام البيانات الضخمة ومصادر البيانات غير المنظمة، مثل المقالات الإخبارية ووسائل التواصل الاجتماعي، لتعزيز النماذج التنبؤية وعمليات اتخاذ القرار للمستثمرين.
يؤكد المؤلفون على أهمية تحليل المشاعر في فهم سلوك السوق، خاصة كيف تؤثر مشاعر الأخبار السلبية على ردود أفعال المستثمرين، خاصة بين المستثمرين الدوليين. يحددون فجوة حاسمة في الأدبيات الحالية بشأن دمج تحليل مشاعر الأخبار المحلية والدولية لتوقع سوق الأسهم التركية. لمعالجة هذه الفجوة، تستخدم الدراسة تقنيات معالجة اللغة الطبيعية (NLP)، باستخدام نموذج Financial Bidirectional Encoder Representations from Transformers (FinBERT)، الذي يتمتع بقدرة على تحليل النصوص المالية. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستراجع الأدبيات ذات الصلة، وتصف المنهجية، وتقدم النتائج، وتناقش تداعيات النتائج، مما يساهم في فهم دور المشاعر في ديناميات السوق المالية.
الطرق
تناقش هذه القسم تطبيق طرق التجميع، وخاصة Random Forest وGradient Boosting وXGBoost، في إدارة المخاطر للمستثمرين. تظهر هذه الطرق أداءً عاليًا عبر مقاييس مختلفة، بما في ذلك الدقة، والموثوقية، والخصوصية، مما يجعلها مناسبة بشكل خاص للمستثمرين الذين يتجنبون المخاطر والذين يفضلون تقليل الخسائر. يسمح الخصوصية العالية لهذه النماذج بالتعرف الفعال على الحالات السلبية، وهو أمر حاسم لتجنب قرارات الاستثمار السيئة. يدعم أداؤها القوي، كما يتضح من درجات ROC AUC القوية، فائدتها في تقليل الإيجابيات الكاذبة والسلبية، مما يعزز موثوقية التنبؤات في ظروف السوق المتقلبة.
بالإضافة إلى ذلك، يبرز النص الأهمية التاريخية لطرق التجميع في التحليلات التنبؤية، مشيرًا إلى مسابقة Netflix 5 Prize، حيث نجح المشاركون في تحسين دقة خوارزمية توصية الأفلام من خلال استخدام تجميع النماذج. أظهرت هذه المسابقة فعالية دمج نماذج تنبؤية متعددة لتحقيق مكاسب كبيرة في الدقة، مما يعزز أهمية تقنيات التجميع في البيئات التنافسية مثل Kaggle. يؤكد Vorhies (2016) على أن الفهم الاستراتيجي وتطبيق هذه الطرق ضروريان لتحقيق تصنيفات عالية في تحديات التحليلات التنبؤية.
النتائج
تقدم النتائج المعروضة في الجداول 1 و2 أداء نماذج التصنيف المتعددة في توقع عوائد الأسهم، والتي تم تقييمها من خلال مقاييس رئيسية تشمل الدقة، والموثوقية، ودرجة F1، والخصوصية، والحساسية (الاسترجاع)، وROC AUC (منطقة تحت منحنى الخصائص التشغيلية المستقبلية). تشير التحليلات إلى وجود ارتباطات كبيرة بين أداء النموذج وسلوكيات الاستثمار المرتبطة بتجنب المخاطر والمخاطرة.
علاوة على ذلك، تمثل الشكل 5 بصريًا درجات ROC AUC للخوارزميات المختلفة المستخدمة، مما يعزز فهم قدراتها التنبؤية. تؤكد هذه التقييم الشامل على فعالية النماذج المختلفة في سياق توقعات عوائد الأسهم، مما يوفر رؤى قيمة للمستثمرين والباحثين على حد سواء.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الأهمية المتزايدة لتحليل المشاعر في الأسواق المالية، مشددة على دورها في توقع عوائد الأسهم بناءً على مشاعر وسائل الإعلام. تظهر دراسات بارزة، مثل تلك التي أجراها Case وClements (2021) وGu وآخرون (2021)، أن المشاعر المستمدة من الأخبار المالية يمكن أن تؤثر بشكل كبير على ديناميات السوق، حيث تتفوق النماذج المتقدمة مثل LSTM على الأساليب التقليدية. تستكشف الأدبيات أيضًا تأثير مواضيع معينة، مثل تغير المناخ ومشاعر وسائل التواصل الاجتماعي، على أداء الأسهم، مما يشير إلى مشهد متنوع ومتطور في منهجيات تحليل المشاعر.
تستخدم الدراسة نهجًا متعدد الجوانب لجمع البيانات، مستفيدة من مصادر الأخبار المختلفة ووسائل التواصل الاجتماعي لالتقاط المشاعر في الوقت الحقيقي المتعلقة بالأسواق التركية. يضمن خط أنابيب معالجة البيانات إزالة الضوضاء والمعلومات غير ذات الصلة، مما يعد مجموعة البيانات للتحليل باستخدام تقنيات متقدمة مثل FinBERT لاستخراج المشاعر ونماذج التعلم الآلي لتوقع الأسهم. تستخدم الدراسة مجموعة من مقاييس التقييم، بما في ذلك متوسط الخطأ التربيعي (MSE) ودرجة F1، لتقييم أداء النموذج، مع تسليط الضوء على التوازن بين الحساسية والخصوصية في استراتيجيات الاستثمار. بشكل عام، تؤكد النتائج على أهمية دمج تحليل المشاعر مع التعلم الآلي لتعزيز الدقة التنبؤية في الأسواق المالية.
القيود
تنشأ قيود الدراسة بشكل أساسي من اعتمادها على صحيفة محلية واحدة، Yeni Şafak، وتويتر، التي تم اختيارها بسبب عدم توفر بيانات تاريخية من مصادر أخبار محلية أخرى. قد يعيق هذا التركيز الضيق إمكانية تعميم النتائج، حيث قد لا تمثل وسائل الإعلام المختارة بشكل كافٍ المشاعر العامة المتنوعة وتدفقات المعلومات التي تؤثر على ديناميات سوق الأسهم.
لزيادة قوة البحث المستقبلي، يُوصى بأن يقوم الباحثون بتوسيع مصادر بياناتهم من خلال تضمين صحف محلية إضافية ومجموعة متنوعة من منصات وسائل التواصل الاجتماعي. سيسهل هذا النهج فهمًا أكثر شمولاً لتأثير القنوات الإعلامية المختلفة على مؤشرات الأسهم المتنوعة.
DOI: https://doi.org/10.1016/j.bir.2025.06.013
Publication Date: 2025-07-02
Author(s): Mahat Maalim Ibrahim et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This research paper investigates the relationship between stock market movements and news narratives in Turkey, leveraging the growing availability of text data. The study analyzes business, financial, and economic news from four major publications—The Economist, The New York Times, The Guardian, and Yeni Şafak—alongside local tweets, which serve as indicators of local news sentiment. Utilizing daily Turkish stock market data from January 1, 2015, to February 27, 2024, and employing advanced Natural Language Processing (NLP), machine learning, and explainable AI techniques, the findings indicate that international news significantly predicts stock market trends, with machine learning models achieving approximately 80% predictive accuracy. Notably, traditional international news sources have a greater impact on market predictions compared to local news outlets and tweets.
The conclusion emphasizes the effectiveness of sophisticated ensemble models, such as Gradient Boosting, XGBoost, and Random Forest, in capturing the emotional nuances that influence investor behavior. These models outperform simpler linear approaches, such as Linear Regression, by reflecting the complex interplay of sentiments like fear and greed in the market. The study underscores the critical role of news narratives in shaping investor sentiment and market dynamics, revealing that while economic fundamentals are important, the emotional aspects of market behavior are equally significant. The findings highlight the necessity of considering media influence in financial analyses, as the human elements behind trading decisions often drive market fluctuations.
Introduction
The introduction of this research paper highlights the evolving landscape of financial market analysis, emphasizing the limitations of traditional predictive methods that primarily rely on time series analysis and fundamental economic indicators. While these approaches have been foundational, they often fail to account for the complexities introduced by political and macroeconomic uncertainties, particularly in a rapidly changing global environment characterized by instantaneous information flow. The paper notes a significant shift towards utilizing Big Data and unstructured data sources, such as news articles and social media, to enhance predictive models and investor decision-making processes.
The authors underscore the importance of sentiment analysis in understanding market behavior, particularly how negative news sentiment influences investor reactions, especially among international investors. They identify a critical gap in existing literature regarding the integration of local and international news sentiment analysis for predicting the Turkish stock market. To address this gap, the study employs Natural Language Processing (NLP) techniques, specifically utilizing the Financial Bidirectional Encoder Representations from Transformers (FinBERT) model, which is adept at analyzing financial text. The paper outlines its structure, indicating that subsequent sections will review related literature, describe the methodology, present results, and discuss the implications of the findings, ultimately contributing to the understanding of sentiment’s role in financial market dynamics.
Methods
The section discusses the application of ensemble methods, specifically Random Forest, Gradient Boosting, and XGBoost, in risk management for investors. These methods exhibit high performance across various metrics, including accuracy, precision, and specificity, making them particularly suitable for risk-averse investors who prioritize loss minimization. The high specificity of these models allows for effective identification of negative instances, which is crucial for avoiding poor investment decisions. Their robust performance, as indicated by strong ROC AUC scores, further supports their utility in reducing false positives and negatives, thereby enhancing the reliability of predictions in fluctuating market conditions.
Additionally, the text highlights the historical significance of ensemble methods in predictive analytics, referencing the Netflix 5 Prize competition, where participants successfully improved the accuracy of a movie recommendation algorithm by employing model ensembles. This competition demonstrated the effectiveness of combining multiple predictive models to achieve substantial gains in accuracy, reinforcing the importance of ensemble techniques in competitive environments like Kaggle. Vorhies (2016) emphasizes that a strategic understanding and application of these methods are essential for achieving high rankings in predictive analytics challenges.
Results
The results presented in Tables 1 and 2 detail the performance of multiple classification models in predicting stock returns, assessed through key metrics including Accuracy, Precision, F1 Score, Specificity, Sensitivity (Recall), and ROC AUC (Receiver Operating Characteristic Area Under the Curve). The analysis indicates significant correlations between model performance and the investment behaviors associated with risk aversion and risk-taking.
Furthermore, Figure 5 visually represents the ROC AUC scores for the different algorithms employed, enhancing the understanding of their predictive capabilities. This comprehensive evaluation underscores the effectiveness of various models in the context of stock return predictions, providing valuable insights for investors and researchers alike.
Discussion
The discussion section of the research paper highlights the growing significance of sentiment analysis in financial markets, emphasizing its role in predicting stock returns based on media sentiment. Notable studies, such as those by Case and Clements (2021) and Gu et al. (2021), demonstrate that sentiment derived from financial news can significantly influence market dynamics, with advanced models like LSTM outperforming traditional methods. The literature also explores the impact of specific topics, such as climate change and social media sentiment, on stock performance, indicating a diverse and evolving landscape in sentiment analysis methodologies.
The research employs a multifaceted approach to data acquisition, utilizing various news sources and social media to capture real-time sentiment related to the Turkish markets. The data preprocessing pipeline ensures the removal of noise and irrelevant information, preparing the dataset for analysis using advanced techniques like FinBERT for sentiment extraction and machine learning models for stock prediction. The study employs a range of evaluation metrics, including Mean Squared Error (MSE) and F1 score, to assess model performance, highlighting the trade-offs between sensitivity and specificity in investment strategies. Overall, the findings underscore the importance of integrating sentiment analysis with machine learning to enhance predictive accuracy in financial markets.
Limitations
The study’s limitations stem primarily from its reliance on a single local newspaper, Yeni Şafak, and Twitter, which were chosen due to the unavailability of historical data from other local news sources. This narrow focus may hinder the generalizability of the findings, as the selected media outlets might not adequately represent the diverse public sentiments and information flows that affect stock market dynamics.
To enhance the robustness of future research, it is recommended that scholars broaden their data sources by including additional local newspapers and a variety of social media platforms. Such an approach would facilitate a more comprehensive understanding of the influence that different media channels exert on various stock indices.