مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 22 4 2025 6 3 Stock Trend Prediction Using Sentiment Index and Enhanced SVM with an Entropy-Based Sentiment Cost Function پیش‌بینی روند سهام با استفاده از شاخص احساسات و SVM بهبودیافته با تابع هزینه مبتنی ‌بر آنتروپی احساسات 278 286 fa مهین یعقوب زاده فردوسی مشهد عباس ابراهیمی مقدم دانشگاه فردوسی مرتضی خادمی دانشگاه فردوسی مشهد هادی صدوقی یزدی دانشگاه فردوسی مشهد 2024 6 15 <p style="direction: ltr;">Stock market prediction has always been a focus of researchers. Advances in artificial intelligence and machine learning algorithms have enabled the use of textual data alongside numerical data for better stock market forecasting and performance. In this research, to predict the trend of the New York Stock Exchange (NYSE) index, numerical data, textual data, and a machine learning model were employed. The model's input includes numerical data as well as the results of sentiment analysis from texts extracted from X (formerly Twitter). Sentiment analysis is performed using a specific machine learning algorithm, Fin-BERT. Additionally, to improve prediction results, prior knowledge of data distribution is incorporated into the cost function of the proposed classifier (SVM). This knowledge is obtained through the calculation of sentiment entropy. Experimental results show that incorporating sentiment entropy into the model's cost function improves prediction performance.</p> <p>پیش&zwnj;بینی بازار سهام همیشه مورد توجه پژوهشگران بوده است. پیشرفت در زمینه هوش مصنوعی و الگوریتم&zwnj;های یادگیری ماشین باعث شده که بتوان از داده&zwnj;های متنی در کنار داده&zwnj;های عددی، جهت پیش&zwnj;بینی و عملکرد بهتر بازار بهره برد. در این پژوهش جهت پیش&zwnj;بینی روند شاخص بازار سهام نیویورک (NYSE) از داده&zwnj;های عددی، داده&zwnj;های متنی و یک مدل یادگیری ماشین استفاده شده است. ورودی مدل اولاً داده&zwnj;های عددی و ثانیاً نتایج تحلیل احساسات از متن&zwnj;های استخراج&zwnj;شده از شبکه X است. تحلیل احساسات با یک الگوریتم خاص مبتنی بر یادگیری ماشین (Fin-BERT) انجام شده است. همچنین برای بهبود نتایج پیش&zwnj;بینی، در طبقه&zwnj;بند پیشنهادی (SVM) دانش پیشینی که در مورد توزیع داده&zwnj;ها موجود است در تابع هزینه SVM وارد شده است. این دانش از طریق محاسبه آنتروپی احساسات به دست می&zwnj;آید. نتایج آزمایش&zwnj;ها نشان می&zwnj;دهند&nbsp;که با در نظر گرفتن آنتروپی احساسات در تابع هزینه مدل، نتایج پیش&zwnj;بینی بهبود&nbsp;می&zwnj;یابد.</p> http://ijece.org/fa/Article/Download/47047