رئیس دانشکده مهندسی برق و کامپیوتر مجله مهندسی برق دانشگاه تبریز 2008-7799 55 4 2025 12 22 Tehran Stock Exchange Price Movement Prediction using Daily News with Hierarchical Attention Network Plus BERT پیش‌بینی نوسانات قیمت سهام در بورس تهران با استفاده از اخبار روزانه با بهره‌گیری از شبکه توجه سلسله‌مراتبی تقویت‌شده با BERT 643 652 19626 10.22034/tjee.2025.64303.4917 FA لیلا حافظی دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران محمدرضا پژوهان دانشگاه یزد سجاد ظریف‌زاده دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران Journal Article 1970 01 01 The stock market’s significance in the global economy necessitates demands more accurate prediction methods. This paper introduces a novel hierarchical attention mechanism aimed at enhancing the performance of predicting stock price movements. Hierarchical attention networks assume that not all news segments hold equal relevance in forecasting stock market trends. Furthermore, we assert that not all daily news carries an equivalent significance in predicting market trends. To tackle this challenge, we suggest a hierarchical attention network plus BERT that emulates the news hierarchy and assigns weights to news items based on their significance, and also the most informative news articles in each trading day in stock market prediction. Our HAN+BERT method incorporates three levels of attention mechanisms, operating at the word, sentence, and news level. This allows the model to identify the most significant news stories of the day and select the most informative sentences and words within these articles. Using BERT as the word embedding approach has resulted in better performance for our stock trend prediction model. Empirical results on Persian financial news and three stock market indices reveal the effectiveness of our HAN+BERT model, with a peak accuracy of 65.49%, which is 3% higher than the best baseline model. با توجه به نقش مهم بازار سهام در اقتصاد جهانی، همواره نیاز به روش‌هایی دقیق‌تر برای پیش‌بینی رفتار آن احساس می‌شود. یکی از چالش‌های اصلی در این حوزه، نحوه استفاده مؤثر از اخبار در پیش‌بینی روند بازار است. در این پژوهش، یک مکانیزم توجه سلسله‌مراتبی جدید معرفی شده که هدف آن بهبود عملکرد مدل‌های پیش‌بینی بازار سهام است. ایده اصلی این رویکرد بر این فرض استوار است که همه بخش‌های یک خبر و هم‌چنین همه اخبار منتشرشده در یک روز معاملاتی، تأثیر یکسانی در شکل‌گیری روند بازار ندارند. بر همین اساس، در این مقاله مدلی مبتنی بر شبکه توجه سلسله‌مراتبی همراه با BERT با نام HAN+BERT ارائه می‌شود که ساختار سلسله‌مراتبی اخبار را در نظر گرفته و به هر خبر متناسب با میزان اهمیت آن در پیش‌بینی بازار وزن اختصاص می‌دهد. این مدل قادر است در هر روز معاملاتی، تأثیرگذارترین اخبار را شناسایی کرده و در متن هر خبر نیز مهم‌ترین جملات و واژگان را استخراج کند. برای دستیابی به این هدف، از مکانیزم توجه درسه سطح واژه، جمله و خبر استفاده شده است. به‌کارگیری BERT به ‌عنوان روش تعبیه‌سازی واژگان باعث شده مدل بتواند معنا و زمینه‌ی مفهومی اخبار را با دقت بیشتری درک کند و در نتیجه عملکرد بهتری در پیش‌بینی روند بازار سهام ارائه دهد. نتایج آزمایش‌های انجام شده بر روی مجموعه‌ای از اخبار مالی فارسی نشان می‌دهد که مدل پیشنهادی HAN+BERT در مقایسه با روش‌های مرجع، دقت بالاتری داشته و بهبود محسوسی در پیش‌بینی تغییرات بازار ایجاد می‌کند.

https://tjee.tabrizu.ac.ir/article_19626_c923e6a38ae7a0548f442806cbd6221a.pdf