مقایسه تکنیک های پردازش زبان طبیعی و تحلیل سری های زمانی در داده های بزرگ اقتصادی با استفاده از هوش مصنوعی

در دنیای امروز، تحلیل داده های اقتصادی و مالی با استفاده از تکنیک های هوش مصنوعی به یکی از مهمترین ابزارها برای تصمیم گیری های مالی تبدیل شده است. در این میان مقایسه کاربردی تکنیک های پردازش زبان طبیعی (NLP) و تحلیل سری های زمانی (TSA) در داده های بزرگ اقتصادی با استفاده از هوش مصنوعی اهمیت ویژه ای دارد، زیرا این تکنیک ها می توانند به تحلیل گران و حسابداران کمک کنند تا دقت پیش بینی ها و ارزیابی های مالی را بهبود بخشیده و تصمیمات بهتری بگیرند. در این مقاله به بررسی و مقایسه دو تکنیک پیشرفته هوش مصنوعی، یعنی پردازش زبان طبیعی (NLP) و تحلیل سری های زمانی (TSA)، در تحلیل داده های بزرگ اقتصادی در حوزه حسابداری پرداخته شد. نوآوری این مطالعه در استفاده از مدل های یادگیری عمیق مانند BERT و LSTM برای تحلیل داده های متنی و زمانی است. پارامترهای موردمطالعه شامل دقت مدل ها در استخراج احساسات بازار و پیش بینی قیمت سهام است. روش تحقیق شامل جمع آوری داده های متنی از اخبار مالی و داده های زمانی از بازار سهام، پیش پردازش داده ها، مدل سازی با استفاده از مدل های BERT، LSTM، ARIMA و GARCH، و ارزیابی دقت مدل ها با معیارهای مختلف است. نتایج نشان می دهد که مدل BERT با دقت ۵.۲۹% بهترین عملکرد را در استخراج احساسات بازار دارد و مدل LSTM با میانگین خطای مطلق ۵۹.۰ بهترین عملکرد را در پیش بینی قیمت سهام دارد. ترکیب تکنیک های NLP و TSA می تواند به بهبود دقت و کارایی تحلیل های اقتصادی کمک کند و به تحلیل گران و حسابداران کمک کند تا تصمیمات بهتری بگیرند. این تحقیق نشان می دهد که استفاده از تکنیک های پیشرفته هوش مصنوعی می تواند به بهبود فرایندهای حسابداری و تصمیم گیری های مالی کمک کند و استراتژی های موثرتری را ارائه دهد.

کلیدواژه ها:

پردازش زبان طبیعی ، تحلیل سری های زمانی ، داده های بزرگ اقتصادی ، یادگیری عمیق ، پیش بینی اقتصادی