Forecasting movements of health-care stock prices based on different categories of news articles using multiple kernel learning

هنگامی که یک قطعه جدید از اطلاعات وارد می شود، وضعیت بازار تغییر می کند. این بر تصمیمات سرمایه گذاران تأثیر می گذارد و به عنوان منبع مهم داده ای است که می تواند برای پیش بینی مالی استفاده شود. به تازگی اطلاعات حاصل از مقالات خبری به بخشی از سیستم های پیش بینی مالی تبدیل شده است. استفاده از مقالات خبری و پتانسیل پیش بینی آنها به طور گسترده مورد تحقیق قرار گرفته است. با این حال، تا کنون هیچ تلاشی برای استفاده از مقوله های مختلف مقالات اخبار به طور همزمان انجام نشده است. در این مقاله بررسی شده است که استفاده همزمان و مناسب با مقالات خبری با درجات مختلف مربوط به سهام هدف، می تواند عملکرد پیش بینی مالی را بهبود بخشد و از روند تصمیم گیری سرمایه گذاران و معامله گران حمایت کند. جنبش های قیمت سهام با استفاده از تکنیک یادگیری چند هسته ای پیش بینی می شوند که اطلاعاتی را که از مقادیر مختلف خبرها استخراج شده است، در حالی که هسته های جداگانه برای تجزیه و تحلیل هر دسته استفاده می شوند. مقالات اخبار با توجه به ارتباط آنها با سهام هدف، زیر صنایع، صنعت، صنعت گروه و بخش آن تقسیم شده است. آزمایش ها بر روی سهام از بخش مراقبت های بهداشتی انجام می شود و نشان می دهد که افزایش تعداد دسته های خبرهای مرتبط که به عنوان منابع داده برای پیش بینی های مالی استفاده می شود، عملکرد سیستم پیش بینی را در مقایسه با رویکردهای مبتنی بر تعداد کمتر از دسته ها بهبود می بخشد.