بررسی تاثیر ریسک درک شده توسط کاربران شبکه‌های اجتماعی بر قیمت بیت‌کوین با استفاده از تکنیک تحلیل احساسات و شبکه عصبی NARX

ذوالفقاری, پریسا; خدیور, آمنه; عباسی, فاطمه

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ کارشناسی ارشد مدیریت فناوری اطلاعات، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران

² دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران

³ استادیار، گروه مدیریت فناوری اطلاعات، دانشکده فناوری اطلاعات، مؤسسه آموزش عالی مهر البرز، تهران، ایران

چکیده

با توجه به محبوبیت جهانی حوزه رمزارزها به ویژه بیت‌کوین، انتظار می‌رود دیر یا زود دولت‌ها، بانک‌ها و سایر صنایع به استفاده از رمزارزها در معاملات روزمره خود روی‌آورند. بنابراین همانند هر حوزه مالی دیگر، نیاز به شناسایی چالش‌های موجود در این حوزه جهت ایجاد فضای سرمایه‌گذاری امن احساس می‌شود. از طرفی با گسترش شبکه‌های اجتماعی، داده‌های ساختارنیافته در حال افزایش هستند که می‌توان از این پدیده جهت ایجاد ارزش افزوده در حوزه‌های گوناگون همچون تحلیل احساسات بهره‌مند شد. از این رو پژوهش حاضر با هدف بررسی تأثیر ریسک درک‌شده توسط کاربران شبکه‌های اجتماعی بر روی قیمت بیت‌کوین انجام گردید. براساس یافته‌های پژوهش، ریسک‌های شناسایی‌شده در حوزه بیت‌کوین، شامل ریسک اجتماعی، اقتصادی، امنیتی، فناوری و حقوقی می‌باشند. برای استخراج ریسک‌های بیت‌کوین، از گفتگوهای سایت بیت‌کوین‌تاک استفاده گردید. پس از جمعآوری داده‌ها توسط خزشگر وب، به کمک الگوریتم تخصیص پنهان، گفتگوها در خوشه‌های موضوعی خوشه‌بندی شدند. تحلیل احساسات کاربران نیز با روش مبتنی‌بر واژگان و بکارگیری واژه‌نامه AFINN انجام گردید. برای سنجش اثرگذاری احساسات کاربران بر قیمت بیت‌کوین نیز از مدل شبکه عصبی غیرخطی با داده‌های برونزا بهره گرفته شد. نتایج بهدست آمده نشان از وجود 0.99 همبستگی و میانگین مربعات خطا 0.001 دارد که به معنای وجود همبستگی میان قیمت واقعی و قیمت پیش‌بینی‌شده بیت‌کوین می‌باشد. یافته‌های این پژوهش می‌تواند توجه فعالان در حوزه بیت‌کوین را جلب نماید تا برنامه‌ریزی مناسبی جهت سرمایه‌گذاری و کاهش ریسک سرمایه‌گذاری داشته باشند.

کلیدواژه‌ها

20.1001.1.2322200.1401.26.2.2.1

عنوان مقاله [English]

paper title

نویسندگان [English]

Parisa Zolfaghar ¹
ameneh khadivar ²
fatemeh abbasi ³

¹ Master of Information Technology Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran

² Associate Professor, Department of Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran

³ Assistant Professor, Department of Information Technology Management, Faculty of Information Technology, Mehr Alborz Institute of Higher Education, Tehran, Iran

چکیده [English]

Abstract
Due to the global attention to cryptocurrencies especially bitcoin, governments, banks, and other industries are expected to use cryptocurrencies in their daily transactions. Therefore, as any other financial field, there is a need to identify the challenges in this field to safe investment. On the other hand, by the expansion of social networks, unstructured data is increasing, which can be used to create added value in various areas such as sentiment analysis. Therefore, this study was conducted to investigate the impact of perceived risk by social network users on the price of Bitcoin. According to the research findings, the identified risks in the field of bitcoin include social, economic, security, technological and legal risks., The conversations on the Bitcoin Talk Site were used to extract the bitcoin risks. After collecting these conversations by the web crawler, the conversations were clustered into thematic clusters using the Latent Dirichlet Allocation algorithm, which is one of the most popular methods in Topic Modeling. were analyzed using vocabulary-based method and AFINN dictionary. NARX Neural Network was used to measure the effect of Userschr('39') Sentiment on the price of Bitcoin. The results show a correlation of 0.99 and a mean square error of 0.001, which means that there is a correlation between the actual price and the predicted price of Bitcoin. The findings of this study can attract the attention of financial actors and businessmen in the field of bitcoin to plan a safe investment and reduce risk.

کلیدواژه‌ها [English]

Bitcoin
Bitcoin risk
Sentiment Analysis
Topic Modeling
NARX neural network

مراجع

[1] Coindesk, “Bitcoin Price,” 2020. https://www.coindesk.com/price/bitcoin

[2] S. Corbet, A. Meegan, C. Larkin, B. Lucey, and L. Yarovaya, “Exploring the Dynamic Relationships between Cryptocurrencies and Other Financial Assets,” Economics Letters, vol. 165, no. 1, pp. 28–34, 2018.

[3] O. Kraaijeveld and J. De Smedt, “The predictive power of public Twitter sentiment for forecasting cryptocurrency prices,” Journal of International Financial Markets, Institutions and Money, vol. 65, p. 101188, 2020, doi: 10.1016/j.intfin.2020.101188.

[4] Z. Chen, C. Li, and W. Sun, “Bitcoin price prediction using machine learning: An approach to sample dimension engineering,” Journal of Computational and Applied Mathematics, vol. 365, p. 112395, 2020, doi: 10.1016/j.cam.2019.112395.

[5] F. Mai, Z. Shan, Q. Bai, X. (Shane) Wang, and R. H. L. Chiang, “How Does Social Media Impact Bitcoin Value? A Test of the Silent Majority Hypothesis,” Journal of Management Information Systems, vol. 35, no. 1, pp. 19–52, Jan. 2018, doi: 10.1080/07421222.2018.1440774.

[6] R. Grinberg, “Bitcoin: An Innovative Alternative Digital Currency (Preliminary Draft),” Hastings Science & Technology Law Journal, no. May, pp. 1–44, 2011.

[7] M. Kiran and M. Stannett, “Bitcoin risk analysis,” nemode.ac.uk, 2014.

[8] E. Erdin, M. Cebe, K. Akkaya, S. Solak, and E. Bulut, “A Bitcoin payment network with re duce d transaction fees and confirmation times,” Computer Networks, vol. 172, p. 107098, 2020, doi: 10.1016/j.comnet.2020.107098.

[9] A. Khadivar and F. Abbasi, “Method for Measuring Information Technology Program Risk by Fuzzy Approach,” BI Management Studies, vol. 1, no. 3, pp. 47–69, 2014.

[10] ISO, ISO 31000:2018. Risk management - Principles and guidelines. 2018.

[11] A. Vafadar Nikjoo, A. Shahabi, and S. M. A. Khatami Firouzabadi, “Determining most significant project risk’s categories with considering causal relations between them in the fuzzy environment,” Management Research in Iran, vol. 17, no. 3, pp. 49–69, 2021, [Online]. Available: https://mri.modares.ac.ir/article_158.html

[12] R. Ali, J. Barrdear, R. Clews, and J. Southgate, “The economies of digital currencies,” Bank of England Quarterly Bulletin, vol. 43, no. 3, pp. 276–286, 2014.

[13] C. Lustig and B. Nardi, “Algorithmic authority: The case of Bitcoin,” Proceedings of the Annual Hawaii International Conference on System Sciences, vol. 2015-March, pp. 743–752, 2015, doi: 10.1109/HICSS.2015.95.

[14] C. Baek and M. Elbeck, “Bitcoins as an investment or speculative vehicle? A first look,” Applied Economics Letters, vol. 22, no. 1, pp. 30–34, 2015, doi: 10.1080/13504851.2014.916379.

[15] Turpin, “Bitcoin: The Economic Case for a Global, Virtual Currency Operating in an Unexplored Legal Framework,” Indiana Journal of Global Legal Studies, vol. 21, no. 1, p. 335, 2014, doi: 10.2979/indjglolegstu.21.1.335.

[16] C. Y. Wu and V. K. Pandey, “The value of Bitcoin in enhancing the efficiency of an investor’s portfolio,” Journal of Financial Planning, vol. 27, no. 9, pp. 44–52, 2014.

[17] mahin sabet sarvestani, abbas moghbel baarz, and A. Afsar, “Comparative analysis of the structural attributes of supply network firms in auto industry (social network analysis approach),” Modern Research in Decision Making, vol. 4, no. 4, pp. 59–80, 2019, [Online]. Available: http://journal.saim.ir/article_37598.html

[18] L. Kristoufek, “BitCoin meets Google Trends and Wikipedia: Quantifying the relationship between phenomena of the Internet era,” Scientific Reports, vol. 3, pp. 1–7, 2013, doi: 10.1038/srep03415.

[19] C. Lamon, E. Nielsen, and E. Redondo, “Cryptocurrency Price Prediction Using News and Social Media Sentiment,” Pdfs.Semanticscholar.Org, 2016.

[20] L. Ege, “Predicting Bitcoin Price Fluctuations Based on News Headlines,” 2017.

[21] E. Stenqvist and J. Lönnö, “Predicting Bitcoin price fluctuation with Twitter sentiment analysis,” 2017.

[22] C. Eom, T. Kaizoji, S. Hoon, and L. Pichl, “Bitcoin and investor sentiment : Statistical characteristics and predictability,” Physica A, vol. 514, pp. 511–521, 2019, doi: 10.1016/j.physa.2018.09.063.

[23] D. Shen, A. Urquhart, and P. Wang, “Does twitter predict Bitcoin ?,” Economics Letters, vol. 174, pp. 118–122, 2019, doi: 10.1016/j.econlet.2018.11.007.

[24] O. Oueslati, E. Cambria, M. Ben HajHmida, and H. Ounelli, “A review of sentiment analysis research in Arabic language,” Future Generation Computer Systems, vol. 112, pp. 408–430, 2020, doi: 10.1016/j.future.2020.05.034.

[25] F. Abbasi, A. Khadivar, and M. Yazdinejad, “Sentiment Analysis of Users for Buying on Cell Phone in Digikala,” BI Management Studies, vol. 8, no. 32, pp. 181–210, 2020, doi: 10.22054/IMS.2020.46286.1585.

[26] S. Symeonidis, D. Effrosynidis, and A. Arampatzis, “A comparative evaluation of pre-processing techniques and their interactions for twitter sentiment analysis,” Expert Systems with Applications, vol. 110, 2018, doi: 10.1016/j.eswa.2018.06.022.

[27] T. Norsten, “Exploring the Potential of Twitter Data and Natural Language Processing Techniques to Understand the Usage of Parks in Stockholm,” 2020.

[28] S. Jung and W. C. Yoon, “An alternative topic model based on Common Interest Authors for topic evolution analysis,” Journal of Informetrics, vol. 14, no. 3, p. 101040, 2020, doi: 10.1016/j.joi.2020.101040.

[29] I. Vayansky and S. A. P. Kumar, “A review of topic modeling methods,” Information Systems, vol. 94, p. 101582, 2020, doi: 10.1016/j.is.2020.101582.

[30] M. Lamba, M. Madhusudhan, and I. Science, “Application of Topic Mining and Prediction Modeling Tools for Library and Information Science Journals,” pp. 395–401, 2018.

[31] W. Zhao et al., “A heuristic approach to determine an appropriate number of topics in topic modeling,” BMC Bioinformatics, vol. 16, no. 13, p. S8, 2015, doi: 10.1186/1471-2105-16-S13-S8.

[32] L. Hagen, “Content analysis of e-petitions with topic modeling: How to train and evaluate LDA models?,” Information Processing and Management, vol. 54, no. 6, pp. 1292–1307, 2018, doi: 10.1016/j.ipm.2018.05.006.

[33] B. Sohrabi, I. Raeesi Vanani, and F. Zareh Mirkabad, “Designing a Recommender System for Optimizing and Managing Bank Facilities through the Utilization of Clustering and Classification Algorithms,” Modern Research in Decision Making, vol. 1, no. 2, pp. 53–76, 2016, [Online]. Available: http://journal.saim.ir/article_21125.html

[34] C. Yang, H. Zhang, B. Jiang, and K. Li, “Aspect-based sentiment analysis with alternating coattention networks,” Information Processing and Management, vol. 56, no. 3, pp. 463–478, 2019, doi: 10.1016/j.ipm.2018.12.004.

[35] A. zarei, davood feiz, and ghazale Taheri, “Providing Social Market Intelligence Framework based on web 2.0 Using Text-Mining Technique on Social Media Websites (Case Study: Competitive Analysis between Samsung and Emersun Brands),” Management Research in Iran, vol. 24, no. 4, pp. 98–125, 2021, [Online]. Available: https://mri.modares.ac.ir/article_540.html

[36] J. B. Han, S. H. Kim, M. H. Jang, and K. S. Ri, “Using Genetic Algorithm and NARX Neural Network to Forecast Daily Bitcoin Price,” Computational Economics, vol. 56, no. 2, pp. 337–353, 2020, doi: 10.1007/s10614-019-09928-5.

پژوهش های مدیریت در ایران

بررسی تاثیر ریسک درک شده توسط کاربران شبکه‌های اجتماعی بر قیمت بیت‌کوین با استفاده از تکنیک تحلیل احساسات و شبکه عصبی NARX

مراجع

مراجع

دوره 26، شماره 2
تیر 1401
صفحه 18-41

بررسی تاثیر ریسک درک شده توسط کاربران شبکه‌های اجتماعی بر قیمت بیت‌کوین با استفاده از تکنیک تحلیل احساسات و شبکه عصبی NARX

مراجع

مراجع

دوره 26، شماره 2تیر 1401صفحه 18-41

دوره 26، شماره 2
تیر 1401
صفحه 18-41