پیش بینی بورس اوراق بهادار کارآمد مبتنی بر احساسات محلی و جهانی با استفاده از یادگیری عمیق

پیش بینی بورس اوراق بهادار جنبه مهمی از برنامه های سرمایه گذاری در تجارت است. مشتریان به دلیل سودآوری بالا ، ترجیح می دهند در سهام سرمایه گذاری کنند تا سرمایه گذاری های سنتی. سود بالا اغلب به دلیل ماهیت غیرخطی داده ها و قوانین پیچیده اقتصادی با ریسک بالا مرتبط است. به دلیل شرایط اقتصادی ، وضعیت سیاسی و رویدادهای مهم برای کشور ، بازار سهام غالباً بی ثبات و به طور ناگهانی تغییر می کند. بنابراین ، برای بررسی تأثیر برخی از رویدادهای مهم به طور خاص رویدادهای جهانی و محلی برای شرکت های مختلف سهام برتر (از نظر کشور) یک منطقه تحقیقاتی باز است. در این مطالعه ، چهار کشور- ایالات متحده ، هنگ کنگ ، ترکیه و پاکستان را از لیست اقتصادهای توسعه یافته ، نوظهور و توسعه نیافته در نظر می گیریم. ما تأثیر وقایع مهم مختلف در طی سال 2012-2016 در بورس سهام را مورد بررسی قرار داده ایم. ما از مجموعه داده های توییتر برای محاسبه تجزیه و تحلیل احساسات برای هر یک از این رویدادها استفاده می کنیم. این مجموعه داده شامل 11. 42 میلیون توییت است که برای تعیین احساسات رویداد استفاده شده است. ما از رگرسیون خطی ، رگرسیون بردار پشتیبانی و یادگیری عمیق برای پیش بینی بورس استفاده کرده ایم. عملکرد سیستم با استفاده از میانگین خطای مربع ریشه (RMSE) و میانگین خطای مطلق (MAE) ارزیابی می شود. نتایج نشان می دهد که عملکرد با استفاده از احساسات برای این رویدادها بهبود می یابد.

معرفی

بورس اوراق بهادار یک شاخص مهم برای ارائه تصویری واقعی از وضعیت اقتصادی یک کشور است. این زمینه محکم برای سرمایه گذاران مختلف فراهم می کند تا ثبات یک کشور را بررسی کرده و برنامه های سرمایه گذاری را انجام دهد. بورس اوراق بهادار بستر بهتری برای به دست آوردن سود نسبت به اوراق قرضه و سرمایه گذاری های سنتی بانکی است. بازده سود بالاتر اغلب مربوط به عوامل خطر بالاتر است. این عامل باعث می شود سرمایه گذاری سهام به یک سرمایه گذاری خطرناک تبدیل شود. این عوامل غالباً غیرخطی و بسیار نوسان هستند. بنابراین ، سرمایه گذاران اغلب سهام را در مدت کوتاهی خریداری و می فروشند. سرمایه گذاران غالباً الگوهای را رعایت می کنند و بر اساس آن الگوهای تصمیم می گیرند. این الگوهای توسط شرکت های مختلف برای کمک به کاربران در تهیه برنامه های سرمایه گذاری استفاده می شود (Tabesh ، Kelly ، & Poulose ، 2018). این الگوها معمولاً تحت تأثیر احساسات جامعه ، وضعیت سیاسی و اقتصادی کشور قرار می گیرد. یک فرضیه مشهور اقتصاد رفتاری این است که عملکرد بازار و روحیه عمومی با هم ارتباط دارد. این فرضیه استدلال می کند که اگر مردم در روحیه خوبی ، خوشحال و خوش بین باشند و در نهایت منجر به بهبود عملکرد بازار سهام شود ، احتمالاً این سرمایه گذاری افزایش می یابد. کمیت خلق و خوی عمومی یک کار مهم است (کریستی و هوانگ ، 1995 ؛ گروور ، کار ، و ایلاواراسان ، 2019 ؛ ژانگ ، وانگ ، و ژو ، 2019).

• • ما تأثیر وقایع مختلف مشهور را در پیش بینی بورس بررسی می کنیم
• • یک روش تجزیه و تحلیل احساسات مبتنی بر رویداد برای پیش بینی سهام ارائه شده است که از مدلهای محاسباتی عمیق یادگیری استفاده می کند
• • تحقیقات عملکرد در مورد رگرسیون خطی ، پشتیبانی از رگرسیون بردار و یادگیری عمیق برای پیش بینی سهام انجام می شود

باقی مانده کاغذ طبق ضوابط و دستورالعمل ها سازماندهی شده است؛بخش 2 کار مرتبط را در زمینه پیش بینی سهام ارائه می دهد ، بخش 3 روش پیشنهادی را توضیح می دهد و بخش 4 نتایج را به دنبال آن ارائه می دهد.

قطعه قطعه

کار مرتبط

نوظهور ترین موضوع برای تحقیقات در مشاغل و دانشگاهیان در زندگی واقعی پیش بینی بازار سهام است. محققان سعی کرده اند بازار سهام را برای برنامه های مالی بهتر تجاری پیش بینی کنند. این مطالعات بر اساس فرضیه کارآمد بازار (EMH) و تئوری پیاده روی تصادفی است.(Fama ، 1991 ؛ Fama ، Fisher ، Jensen ، & Roll ، 1969) ، با در نظر گرفتن اطلاعات موجود در دسترس که بر بازار سهام فعلی تأثیر می گذارد ، از EMH استفاده کرد. آنها قیمت آینده سهام را بر اساس قیمت فعلی پیش بینی می کنند

روش شناسی پیشنهادی

سیستم پیشنهادی از سه ماژول اصلی تشکیل شده است. کسب داده ها ، تجزیه و تحلیل احساسات از رویدادهای مهم جهانی و محلی برای هر کشور و پیش بینی بورس. ما داده های بورس او را برای 15 شرکت از منابع موجود در دسترس Yahoo Finance جمع آوری کرده ایم. سپس ما با بررسی اهمیت جهانی و محلی آن برای هر کشور مربوطه ، مجموعه داده های توییتر را برای رویدادهای مختلف برای هر کشور انتخاب کردیم. سپس از سه مدل استفاده کردیم. رگرسیون خطی ، رگرسیون بردار پشتیبانی و

جمع آوری مجموعه داده ها و محاسبه احساسات توییتر

این مطالعه 4 شرکت برتر عملکرد ایالات متحده ، هنگ کنگ (بازارهای توسعه یافته) ، ترکیه (بازار نوظهور) و پاکستان (بازار در حال توسعه) را در نظر می گیرد. احساسات سرمایه گذار با استفاده از مجموعه داده های فشرده توییت در مورد رویدادهای بین المللی MEGA محاسبه می شود (Zubiaga ، 2018). در جدول زیر توضیحات مفصلی از این وقایع ، تعداد توییت ها و ماهیت آنها ارائه شده است. قیمت سهام روزانه شرکتهای منتخب برای مدت 18 سال از ژانویه 2000 تا اکتبر جمع آوری می شود

سهم نظری

تحقیقات زیادی در رابطه با پیش بینی بورس انجام شده است. محققان برای این منظور از مدلهای پیشرفته مبتنی بر هوش سنتی و مصنوعی استفاده کرده اند. در سالهای اخیر ، تمرکز به سمت مدلهای پیش بینی سهام مبتنی بر هوش مصنوعی تغییر یافته است. این مدل های مبتنی بر هوش مصنوعی بیشتر از تکنیک های یادگیری ماشین سنتی مانند رگرسیون خطی و رگرسیون بردار پشتیبانی می کنند. برای یافتن یک مدل پیش بینی مناسب تر برای بورس

نتیجه

پیش بینی بورس اوراق بهادار جنبه مهمی از برنامه سرمایه گذاری بدون ریسک ، کارآمد و قابل اعتماد است. نوسانات سهام سهام نه تنها به ماهیت غیرخطی داده ها و قوانین اقتصادی بستگی دارد ، بلکه به احساسات جامعه و شرایط اقتصادی و سیاسی کشور نیز بستگی دارد. بنابراین ، یک الگوریتم پیش بینی کارآمد سهام باید احساسات عمومی را در نظر بگیرد ، به خصوص برای رویدادهای سیاسی و جغرافیایی بزرگ. در این مطالعه ، ما داده های توییتر را برای آن گرفته ایم

منابع (50)

بازاریابی موتور جستجو همه طلا نیست: بینش از توییتر و Seoclerks

مجله بین المللی مدیریت اطلاعات

(2018)

خلق و خوی توییتر بازار سهام را پیش بینی می کند

مجله علوم محاسباتی

(2011)

قانون معاملات بازار سهام بر اساس تشخیص الگوی و تجزیه و تحلیل فنی: پیش بینی شاخص DJIA با داده های داخلی

سیستم های خبره با برنامه های کاربردی

(2015)

تحقیقات تجربی از رفتار گله دار در بازارهای سهام چین: شواهدی از تجزیه و تحلیل رگرسیون کمی

مجله مالی جهانی

(2010)

گله بین سرمایه گذاران محلی: شواهدی از تجارت آنلاین و آفلاین

نامه های اقتصادی

(2016)

آیا رفتار گله در بازارهای سهام چین وجود دارد؟مجله بازارهای مالی بین المللی

موسسات و پول

(2006)

اثرات متقابل کشور در رفتار گله دار: شواهدی از چهار بازار اروپای جنوبی

مجله موسسات و پول بازارهای بین المللی

(2011)

گله اطلاعات اساسی: یک مطالعه تطبیقی

مجله بانکی و دارایی

(2015)

قطبش و جمع آوری در انتخابات ایالات متحده 2016 نتایج - تجزیه و تحلیل توییتر می تواند تغییر در ترجیحات رای گیری را پیش بینی کند

پیش بینی فن آوری و تحولات اجتماعی

(2019)

تأثیر مسئولیت اجتماعی شرکت بر شهرت - از توییت های مربوط به اهداف توسعه پایدار توسط مدیران عامل

مجله بین المللی مدیریت اطلاعات

(2019)

استرس بازار و گله

مجله مالی تجربی

(2004)

تأثیر معاملات نهادی بر قیمت سهام

مجله اقتصاد مالی

(1992)

توییتر به عنوان ابزاری برای پیش بینی حرکات بازار سهام: یک مطالعه رویداد در پنجره کوتاه

مجله امور مالی و علوم داده

(2018)

پیش بینی حرکت شاخص سهام و سهام با استفاده از تکنیک های تعیین شده داده های تعیین کننده روند و تکنیک های یادگیری ماشین

سیستم های خبره با برنامه های کاربردی

(2015)

پیش بینی شاخص بازار سهام با استفاده از فیوژن تکنیک های یادگیری ماشین

سیستم های خبره با برنامه های کاربردی

(2015)

یک سیستم پیش بینی کمی سهام بر اساس اخبار مالی

پردازش اطلاعات و مدیریت

(2009)

پیش بینی "مفید بودن" بررسی های مصرف کننده آنلاین

مجله تحقیقات تجاری

(2017)

یک شبکه عصبی مصنوعی منظم بیزی برای پیش بینی بازار سهام

سیستم های خبره با برنامه های کاربردی

(2013)

تجزیه و تحلیل و پیش بینی محبوبیت اخبار در توییتر

مجله بین المللی مدیریت اطلاعات

(2015)

پیش بینی قیمت سهام با استفاده از شبکه بیزی

سیستم های خبره با برنامه های کاربردی

(2012)

آیا این همه صحبت فقط سر و صدا است؟محتوای اطلاعات تابلوهای پیام سهام اینترنتی

مجله مالی

(2004)

یک رویکرد جدید برای اندازه گیری مسری مالی

بررسی مطالعات مالی

(2003)

آیا گمانه زنی ها در بازار نفت سرمایه گذار را در کشورهای صادراتی خالص هدایت می کند؟

(2016)

رفتار گله در بخش بانکی ترکیه

نامه های اقتصادی کاربردی

(2014)

به دنبال Pied Piper: آیا بازده های فردی در اطراف بازار گله می کنند؟

ژورنال تحلیلگران مالی

(1995)

مشاهده منابع بیشتر

ذکر شده توسط (77)

کاربردهای مالی یادگیری ماشین: بررسی ادبیات

2023 ، سیستم های خبره با برنامه ها چکیده را نشان می دهد

این بررسی ادبیات سیستماتیک پیشرفت های اخیر یادگیری ماشین و یادگیری عمیق در امور مالی را تجزیه و تحلیل می کند. این مطالعه شش حوزه مالی را در نظر می گیرد: بازار سهام ، مدیریت نمونه کارها ، رمزنگاری ، بازارهای فارکس ، بحران مالی ، ورشکستگی و ورشکستگی. ما با بررسی 126 مقاله منتخب در 44 ژورنال معتبر ، یک مرور کلی از تکنیک های قبلاً پیشنهادی در این زمینه ها ارائه می دهیم. سهم اصلی این بررسی شامل بررسی گسترده ای از ویژگی های داده ها و ویژگی های مورد استفاده برای آموزش مدل ، ارزیابی رویکردهای اعتبار سنجی و عملکرد مدل در مورد هر مشکل مالی است. از روش شناسی بررسی ادبیات سیستماتیک ، PRISMA ، برای انجام این بررسی جامع استفاده می شود. این مطالعه همچنین برای درک وضعیت فعلی تحقیقات متمرکز بر یادگیری ماشین در امور مالی ، اطلاعات کتابشناسی را تجزیه و تحلیل می کند. این مطالعه سرانجام به مسیرهای تحقیق احتمالی اشاره می کند که ممکن است منجر به سوالات جدید در یادگیری و امور مالی ماشین شود.

توییتر به عنوان یک سیستم پیش بینی کننده: بررسی ادبیات سیستماتیک

2023 ، مجله تحقیقات تجاری چکیده را نشان می دهد

میلیون ها نفر روزانه از توییتر استفاده می کنند ، هزاران پیام ارسال می کنند و با همسالان خود تعامل دارند. این تحقیق با هدف ارزیابی و طبقه بندی پتانسیل پیش بینی بستر اجتماعی توییتر از طریق تجزیه و تحلیل هوشمندانه تجزیه و تحلیل داده های بزرگ عمومی تولید شده توسط کاربر انجام شده است. بررسی ادبیات سیستماتیک (SLR) که شامل وب علوم ، IEEE ، SCOPUS و سایر بانکهای اطلاعاتی است ، شکاف ها و فرصت های توسعه برنامه های پیش بینی کننده محتوای تولید شده توسط کاربر (UGC) در توییتر را از سال 2006 مشخص می کند. داده های توییتر به عنوان یک سیستم پیش بینی کننده. طیف گسترده ای از حوزه های کاربردی ، برجسته کردن تجزیه و تحلیل شبکه های اجتماعی و بهداشت عمومی ، با استفاده از تکنیک های نوآورانه برای انجام SLR عظیم ، استفاده از یادگیری ماشین و تجزیه و تحلیل نمودار مشخص شده است. نتایج منجر به خطوط تحقیقاتی جدید با پیامدهای هم برای محققان و هم برای رهبران تجارت می شود.

پیش بینی کننده بازار سهام با استفاده از تجزیه و تحلیل تجویز

2023 ، مواد امروز: مجموعه مقالات چکیده را نشان می دهد

پیش بینی بازار سهام سیستمی است که برای تعیین الگوی جریان سهام استفاده می شود. این سیستم نمودارهای آماری را پیاده سازی می کند و گزارش خبری فعلی را در مورد هر سهام شخصی به روز می کند. اینها تاکنون با تجزیه و تحلیل پیش بینی شده ساخته شده اند. به عنوان وراثت جدید سیستم ، به منظور ارائه راه حل در زمان واقعی ، این سیستم به تازگی با استفاده از تجزیه و تحلیل تجویز شده طراحی شده است. این سیستم در مورد بورس اوراق بهادار پیشنهادات و راه حل هایی را برای کاربر ارائه می دهد. بازار سهام نقش مهمی در هر سرمایه گذار دارد. هر کاربر با ریسک خود پول سرمایه گذاری می کند. این عامل خطر ، قدرت و حرفه ای بودن کاربر در بورس سهام را تعیین می کند. بیشتر افراد عادی فکر می کنند که معاملات سهام پیچیده و خطرناک است. فناوری موجود در بورس اوراق بهادار همه چیز را به پیش بینی سیستماتیک تبدیل کرده بود. در ابتدا ، منابع کاربر مورد تجزیه و تحلیل قرار می گیرد و تمام سهام ضرر به طور جداگانه مرتب می شوند. سپس این سهام با سهام جهانی مقایسه می شود و سیستم بهترین سهام را با همان قیمت دارایی باز می گرداند. به کاربر گزینه ای برای تعویض این سهام به سهام فعلی شکاف داده می شود. این فرآیند می تواند به کاربر کمک کند تا از دست رفتن ضرر جلوگیری کند. برای ارائه راه حل مؤثر در زمان واقعی برای هر کاربر بورس و استفاده از تجزیه و تحلیل پیش بینی به سطح بعدی با استفاده از تجزیه و تحلیل تجویز. حتی اگر ، سیستم های موجود با استفاده از روش ها و الگوریتم های مختلف ، سهام را پیش بینی می کنند. ما می توانیم سیستم خود را به راحتی در هر سیستم پیش بینی قرار دهیم.

چگونه می توانیم متن توهین آمیز را در رسانه های اجتماعی مدیریت کنیم - یک رویکرد طبقه بندی متن با استفاده از LST M-BOOST

2022 ، مجله بین المللی داده های مدیریت اطلاعات گزیده استناد:

با این حال ، این وظایف طبقه بندی متن فقط به تکنیک های تحلیل متن مانند یادگیری ماشین و الگوریتم های پردازش زبان طبیعی (NLP) بستگی دارد (Pitsilis et al. ، 2018) (Mridha et al. ، 2021) (Nobata et al. ، 2016) (Gargو همکاران ، 2021). چندین الگوریتم های یادگیری عمیق (شارما و همکاران ، 2021) (Maqsood و همکاران ، 2020) در حال حاضر در این حوزه برای تقویت کارایی رویکردهای یادگیری ماشین مانند BERT: پیش از ترجمه ترانسفورماتورهای دو طرفه عمیق ، شبکه عصبی مکرر (شبکه عصبی مکرر (استفاده می کنند) در این دامنه استفاده می کنند. RNN) (Nasir et al. ، 2021) (Wadud et al. ، 2022) ، شبکه عصبی حلقوی (CNN) (Nasir et al. ، 2021) ، حافظه کوتاه مدت طولانی (LSTM) و غیره. محدودیت های قابل توجهی دارند که کارآیی وظایف تشخیص محتوای سوءاستفاده را محدود می کند.

چکیده را نشان می دهد

به تازگی ، محتوای توهین آمیز برای آزار و اذیت و انتقاد از مردم در بسیاری از سیستم عامل های رسانه های اجتماعی به طور فزاینده ای محبوب شده است. در این مقاله یک الگوریتم طبقه بندی متنی توهین آمیز به نام LSTM-BOAST با استفاده از مدل حافظه کوتاه مدت (LSTM) با یادگیری گروه برای شناخت متون توهین آمیز بنگالی در سیستم عامل های مختلف رسانه های اجتماعی ارائه شده است. مدل پیشنهادی LSTM-Boost از الگوریتم اصلاح شده Adaboost با استفاده از تجزیه و تحلیل مؤلفه اصلی (PCA) به همراه شبکه های LSTM استفاده می کند. در مدل LSTM-BOOST ، مجموعه داده به سه دسته تقسیم می شود و شبکه های PCA و LSTM برای هر قسمت از مجموعه داده ها برای به دست آوردن مهمترین واریانس و کاهش خطای وزنی فرضیه ضعیف مدل اعمال می شود. علاوه بر این ، از طبقه بندی کننده های مختلف برای آزمایش پایه استفاده می شود و مدل بر روی روشهای مختلف بردار تعبیه شده با کلمه ارزیابی می شود. تحقیقات ما نشان داد که الگوریتم های تقویت کننده LSTM از بیشتر معماری پایه بهتر است ، که منجر به نمره F1 92. 61 ٪ در متن تهاجمی بنگالی از مجموعه داده های سیستم عامل های اجتماعی (BHSSP) می شود.

پیش بینی واکنش های مربوط به ناهنجاری ها در حرکات سهام با استفاده از یک شبکه یادگیری عمیق به جلو

2022 ، مجله بین المللی داده های مدیریت اطلاعات گزیده استناد:

نتایج نشان می دهد که دقت 92. 86 ٪ از رویکردهای معیار بهتر است. Maqsood و همکاران.(2020) از LR ، SVM و یادگیری عمیق برای پیش بینی قیمت سهام در بازارهای توسعه یافته ، نوظهور و توسعه نیافته استفاده کرد. این آزمایشات روی سهام منتخب از بازارهای ایالات متحده ، هنگ کنگ ، ترکیه و پاکستان انجام شد.

چکیده را نشان می دهد

بازارهای سهام ممکن است به دلایل مختلف در معرض حرکات بزرگ قرار بگیرند که منجر به بازده منفی یا مثبت می شود. این تحقیق با هدف این است که آیا می توانیم قیمت های آینده را پس از شوک پیش بینی کنیم؟مشکل مربوط به سری زمانی قیمت سهام نیست بلکه به ناهنجاری های قیمت سهام است. بنابراین ، یک شبکه یادگیری عمیق به جلو برای این مشکل مناسب تر از یک شبکه عصبی مکرر است. ما مکانیسم های یادگیری عمیق را برای پیش بینی قیمت سهام در یک زمان معین به دنبال یک حرکت قابل توجه با توجه به چند ورودی مستقر می کنیم. یک مطالعه موردی تجربی برای تغییرات خاص حرکات بزرگ بر روی سهام موجود در S& P 500 انجام شده است. نتایج نشان می دهد که یک DNN به جلو می تواند واکنشهای ناهنجاری قیمت را با حاشیه خطای معقول پیش بینی کند. با این حال ، میانگین خطای مطلق زمانی کاهش می یابد که هدف ما پیش بینی دوره های کوتاه تر باشد. علاوه بر این ، با سفت شدن آستانه ، دقت پیش بینی افزایش می یابد.

تجزیه و تحلیل احساسات موجود در اخبار: یک مطالعه موردی بر اساس مدل هموار سازی احساسات منفی (NSSM)

2022 ، مجله بین المللی داده های مدیریت اطلاعات گزیده استناد: چکیده را نشان می دهد

در این مقاله احساسات 45 رئیس جمهور ایالات متحده در اخبار با استفاده از یک مدل تجزیه و تحلیل احساسات جدید به نام مدل هموار سازی احساسات منفی (NSSM) مورد بررسی قرار گرفته است. نهاد به یک شیء خاص مانند شخص ، یک طرف یا یک موسسه و غیره اشاره دارد. تجزیه و تحلیل احساسات موجودیت هدف از محاسبه احساسات نسبت به یک نهاد فردی در یک سند به جای بدست آوردن نمره احساسات واحد برای کل سند است. مدل NSSM نمره احساسات را تنظیم می کند که موجودات مرتبط با آن (NAES) در سند وجود داشته باشد. NAES به عنوان موجوداتی که در جمع آوری داده ها با احساسات منفی همراه هستند ، نامیده می شدند. به طور خاص ، سه مدل NSSM بر اساس الگوریتم هموار سازی توسعه داده شد. این مطالعه با انتخاب "ترامپ"-رئیس جمهور 45 ما به عنوان نهاد هدف ، اثربخشی مدل های NSSM (NSSM-A ، NSSM-B و NSSM-C) را در متن خبرها ارزیابی کرد. این داده ها شامل 10. 993 پاراگراف جداگانه از اخبار مربوط به نهاد هدف است که از اول ژوئیه 2019 ، تا 30 سپتامبر 2019 از CNN ، FOX و NPR جمع آوری شده است. در مقایسه با روش بدون هموار سازی ، نتایج نشان داده شده استاین مدل های NSSM عملکرد را بر اساس سه معیار ارزیابی بهبود می بخشد: فاصله ، دقت و دقت اقلیدسی. مدل های NSSM با کاهش خطاهای ناشی از سایر اشخاص ، روش جدیدی را برای محاسبه دقیق احساسات موجودیت ارائه می دهند و در سایر زمینه های کاربردی می توان بیشتر در سیستم های اطلاعاتی اعمال شد.

مقالات توصیه شده (6)

مقاله تحقیق

نقش هماهنگی زمانی برای جلوی فازی نوآوری در تیم های مجازی

مجله بین المللی مدیریت اطلاعات ، جلد 50 ، 2020 ، صص 182-190 چکیده را نشان می دهد

در این مقاله ، ما نقش هماهنگی زمانی را در مدیریت مراحل اولیه نوآوری (با نام مستعار فازی جلو) در زمینه تیم های مجازی بررسی می کنیم. به دنبال یک رویکرد مطالعه موردی مقایسه ای ، ما نقش هماهنگی زمانی را از طریق مطالعه دو تیم مجازی متضاد-یکی با طول عمر 24 ساعته و دیگری با طول پنج ماهه-از دو پروژه همکاری در صنعت و آکادمیا ، شرح می دهیم. رویکرد ما ضبط طولی فعالیت های تیم مجازی از ابتدا تا پایان هر پروژه بود و شامل چندین روش جمع آوری داده ها از جمله مشاهدات و مصاحبه ها بود. این یافته ها نشان می دهد که طول عمر تیم مجازی بر نوع هماهنگی زمانی ظهور تأثیر می گذارد. در تیم های مجازی با طول عمر کوتاه ، هماهنگی محکم با ارتباطات مکرر می تواند به کاهش عدم قطعیت در توصیف جلوی فازی کمک کند. از طرف دیگر ، در تیم های مجازی با طول عمر طولانی تر ، هماهنگی سست به اعضای پراکنده اجازه می دهد تا همزمان روی جنبه های مختلف و مکمل کار مورد نظر کار کنند. این یافته ها درک علمی را در مورد چگونگی هماهنگی فعالیت های نوآوری در محیط های با واسطه فناوری مانند تیم های مجازی گسترش می دهد. سرانجام ، ما در مورد پیامدهای نظری و مدیریتی بحث می کنیم.

مقاله تحقیق

یک مطالعه تجربی از پیشینهای کامل بودن داده ها در سوابق پزشکی الکترونیکی

مجله بین المللی مدیریت اطلاعات ، جلد 50 ، 2020 ، صص 155-170 چکیده را نشان می دهد

بدنه ای از تحقیقات وجود دارد که نقش مدیریت داده ها را برای بهبود کیفیت داده ها برجسته می کند ، که در عوض عملکرد سازمانی را بهبود می بخشد. ادبیات در مدیریت داده ها پنج ساختار نظری را برای درک عوامل مؤثر بر کیفیت داده ها ، از جمله پشتیبانی مدیریت عالی ، توانایی در تنظیم و مدیریت فرآیند ، تراز تجاری ، مشارکت کارکنان و ادغام سیستم های اطلاعاتی نشان داده است. با این حال ، مشخص نیست که چگونه می توان از این سازه های نظری برای درک پیشینهای کامل بودن داده ها به عنوان ابعادی از کیفیت داده استفاده کرد. پس از آن جریان تحقیق ، مقاله حاضر به بررسی عوامل مؤثر بر کامل بودن داده ها در سوابق پزشکی الکترونیکی (EMR) می پردازد. دامنه این مطالعه تنها با بررسی متخصصان پزشکی در محیط های بهداشتی در شمال نوادا است. نتایج تجربی نشان می دهد که منابع باید به عنوان یکی از پیشینهای کامل بودن داده ها در EMR اضافه شوند.

مقاله تحقیق

داده کاوی رفتار انتخاب مشتری در اینترنت چیزها در شبکه روابط

مجله بین المللی مدیریت اطلاعات ، جلد 50 ، 2020 ، صص 566-574 چکیده را نشان می دهد

اینترنت اشیاء رابطه بین شبکه های سنتی مشتری را تغییر داده و انتشار اطلاعات سنتی تحت تأثیر قرار گرفته است. محیط هوشمند تغییرات در رفتارهای مشتری را تسریع می کند. ظاهراً شبکه جدید ارتباط با مشتری ، که از فناوری اینترنت اشیاء بهره مند شده است ، به طرز چشمگیری بر رفتارهای انتخاب مشتری برای هوش سایبری تأثیر می گذارد. در این کار ، ما 298 مشتری را به عنوان داده های آموزشی 298 مشتری انتخاب کردیم و 50 مشتری را که برای اولین بار از این پلتفرم به عنوان اشیاء تحقیق استفاده می کردند ، جمع آوری کردیم. و از شبکه ارتباط مشتری هوشمند با اطلاعات سایبر برای ساختن مدل تصمیم گیری اطلاعات مشتری در اینترنت اشیاء مطابقت داشته باشید. نتایج نشان داد که MAE (میانگین انحراف مطلق) از مدل ارزیابی اعتماد مشتری ساخته شده در این مطالعه 0. 215 ، 45 ٪ بهبود نسبت به روش اختصاصی برابر سنتی است. علاوه بر این ، تجربه مصرف کننده مشتری با پشتیبانی از فناوری داده کاوی در هوش سایبری می تواند افزایش یابد. کار ما حاکی از از بین بردن سردرگمی در مکانیسم رفتار انتخاب مشتری ، ایجاد یک شبکه مصرف کننده محور و مؤثر از مشتریان و ارائه دهندگان خدمات و پشتیبانی از اینترنت اشیاء ، تجزیه و تحلیل داده های بزرگ و فن آوری های همجوشی رابطه ای است.

مقاله تحقیق

آیا می توان توسعه وضعیت بیمار را از طریق استعلام هوشمند تحت حالت تجارت الکترونیکی پیش بینی کرد؟ویژگی های متوالی مبتنی بر نقشه پیش بینی خطر ابتلا به بیماری بر روی ویژگی های انتخاب شده از تشخیص شناختی داده های بزرگ

مجله بین المللی مدیریت اطلاعات ، جلد 50 ، 2020 ، صص 463-486 چکیده را نشان می دهد

حالت داده محور تحقیقات پزشکی پیشگیری را ارتقا داده است. در پیش بینی خطرات بیماری ، می توان از داده های تشخیص شناختی بالینی پزشکان برای پیشگیری زود هنگام از بیماری ها و بنابراین برای کاهش هزینه های پزشکی ، برای بهبود دسترسی به خدمات پزشکی و کاهش خطر پزشکی استفاده کرد. با این حال ، تحقیقات شامل شناخت پزشکان از شرایط بیماران در استعلام هوشمند تحت حالت تجارت الکترونیکی ، هیچ تشخیص داده ای را ارائه نمی دهد ، از ارزش های اطلاعات متنی ذوب شده ناشی از فعالیتهای مشترک داده های پزشکی آنلاین و آفلاین غفلت می کند و نتوانسته استپدیده پراکندگی سازنده افزونگی را که ناشی از کمبود اطلاعات مرتبه بالا از دیدگاه آنلاین داده محور است ، به طور کامل تجزیه و تحلیل کنید. علاوه بر این ، پیش بینی خطر به سادگی بر اساس داده های تشخیص شناختی بالینی آفلاین بدون شک دقت پیش بینی را کاهش می دهد. مهمتر از همه ، تحقیقات مربوطه به ندرت روابط زمانی از وقایع مختلف پزشکی در نظر گرفته می شود ، تجزیه و تحلیل مفصلی را در مورد مشکلات عملی انفجار الگوی انجام نمی دهد ، فکر نقشه تصویرگری هوشمندانه را ارائه نمی دهد ، و پیش بینی خطر مربوط را بر اساس زیر مجموعه های به دست آمده انجام نمی دهدنقشه. در نتیجه ، این مقاله یک روش پیش بینی خطر بیماری را با مدل انتخاب ویژگی های پراکندگی بر اساس افزایش و پراکندگی از طریق تشخیص شناختی آنلاین پزشکان برای تحقق ویژگی های انتخاب از داده های بزرگ داده های هوشمندانه آنلاین ، ارائه می دهد. ویژگی های به دست آمده برای جبران کمبود اطلاعات با ابعاد بالا متعاقب آن به صورت هوشمندانه رتبه بندی شدند. اطلاعات مهم کلیدی جبران شده از تشخیص شناختی داده های بزرگ با سوابق پزشکی الکترونیکی آفلاین (EMR) برای تشکیل پرونده پزشکی الکترونیکی مجازی (VEMR) ذوب شد. VEMR تشکیل شده با روش نقشه ویژگی پی در پی برای مدل سازی ترکیب شد و یک مدل نقشه مبتنی بر ویژگی های پی در پی برای پیش بینی خطر بیماری برای به دست آوردن شرایط پزشکی کاربران آنلاین ارائه شد. یک مدل پیش بینی مشترک مبتنی بر محله برای پیش بینی بیماریهای احتمالی پرسنل پزشکی هوشمند آنلاین در آینده و برای رتبه بندی هوشمندانه احتمال خطر بیماری ها ارائه شده است. در آزمایشات ،

مقاله تحقیق

مقاله تحقیق

تأثیر انتشار توییتر بر هزینه عدالت: یک رویکرد داده بزرگ چکیده را نشان می دهد

چکیده را نشان می دهد

مقاله تحقیق

مقاله تحقیق

پیش بینی قیمت سهام با استفاده از یادگیری عمیق و تجزیه فرکانس چکیده را نشان می دهد

چکیده را نشان می دهد

غیرخطی بودن و نوسانات بالای سری زمانی مالی ، پیش بینی قیمت سهام را دشوار کرده است. با این حال ، به لطف پیشرفت های اخیر در یادگیری عمیق و روش هایی مانند مدل های عصبی کوتاه مدت (LSTM) و شبکه عصبی حلقوی (CNN) ، پیشرفت های چشمگیری در تجزیه و تحلیل این نوع داده ها به دست آمده است. علاوه بر این ، تجزیه حالت تجربی (EMD) و الگوریتم های کامل تجزیه حالت تجربی (CEEMD) تجزیه سری زمانی به طیف های فرکانس مختلف از جمله روشهایی هستند که می توانند در تجزیه و تحلیل سری زمانی مالی مؤثر باشند. بر اساس این چارچوب های نظری ، ما الگوریتم های هیبریدی جدید ، یعنی CEEMD-CNN-LSTM و EMD-CNN-LSTM را پیشنهاد می کنیم ، که می تواند ویژگی های عمیق و توالی های زمانی را استخراج کند ، که در نهایت برای پیش بینی یک مرحله ای اعمال می شود. مفهوم الگوریتم پیشنهادی این است که هنگام ترکیب این مدل ها ، برخی از همکاری ها بین آنها برقرار می شود که می تواند قدرت تحلیلی مدل را تقویت کند. یافته های عملی این ادعا را تأیید می کند و نشان می دهد که CNN در کنار LSTM و CEEMD یا EMD می تواند دقت پیش بینی را افزایش داده و از سایر همتایان بهتر عمل کند. علاوه بر این ، الگوریتم پیشنهادی با CEEMD عملکرد بهتری را در مقایسه با EMD فراهم می کند.