اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 3 1404 06 01 Designing a Stock Return Prediction Model Based on the Integration of Deep Learning, Investor Sentiment Analysis, and Historical Financial Data طراحی مدل پیش‌بینی بازده سهام مبتنی بر ترکیب یادگیری عمیق، تحلیل احساسات سرمایه‌گذاران و داده‌های مالی تاریخی 1 13 FA امید پارسا منش گروه مهندسی مالی، دانشگاه علامه طباطبائی، تهران، ا الناز سادات صفری گروه مهندسی مالی، دانشگاه علامه طباطبائی، تهران، ایران سید رضا مرادی نسب گروه مهندسی مالی، دانشگاه علامه طباطبائی، تهران، ایران Journal Article <p>This study aimed to design a conceptual model for stock return prediction based on the integration of deep learning, investor sentiment analysis, and historical financial data. This qualitative study was conducted using thematic analysis. Participants consisted of 19 experts from the capital market, including financial analysts, portfolio managers, financial data scientists, and university faculty members in finance from Tehran. Participants were selected through purposive sampling. Data were collected using semi-structured interviews and the interview process continued until theoretical saturation was achieved. The average duration of each interview was 55 minutes. After transcription, the interview data were coded and analyzed using NVivo software. To enhance the trustworthiness of the findings, member checking, peer review, audit trail documentation, and constant comparison of codes were applied. Data analysis led to the identification of five main categories: “data-driven architecture of return prediction,” “integration of investor sentiment with historical financial data,” “deep learning capability in detecting nonlinear patterns,” “model risk control, overfitting, and prediction stability,” and “institutional implementation requirements and investment decision-making.” The findings indicated that stock return prediction cannot rely solely on historical prices and technical indicators. Instead, combining structured financial data with unstructured sentiment-based data can improve the informational richness and predictive quality of return signals. Participants also emphasized the importance of model interpretability, periodic retraining, data bias control, and human oversight in algorithmic investment decisions. The results suggest that an effective stock return prediction model should be hybrid, dynamic, multi-source, and interpretable. Such a model can support investment decision-making only when deep learning, sentiment analysis, and historical financial data are integrated within a coherent framework of data governance, continuous validation, and algorithmic risk management.</p> <p>هدف پژوهش حاضر طراحی مدل مفهومی پیش‌بینی بازده سهام ش تحلیل مضمون انجام شد. مشارکت‌کنندگان شامل 19 نفر از خبرگان بازار سرمایه، تحلیلگران مالی، مدیران سبد سرمایه‌گذاری، متخصصان علم داده مالی و اعضای هیئت علمی حوزه مالی در شهر تهران بودند که به روش نمونه‌گیری هدفمند انتخاب شدند. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد و فرایند مصاحبه تا دستیابی به اشباع نظری ادامه یافت. میانگین مدت هر مصاحبه 55 دقیقه بود. داده‌های حاصل پس از پیاده‌سازی، کدگذاری و طبقه‌بندی با استفاده از نرم‌افزار NVivo تحلیل شدند. برای افزایش اعتبار یافته‌ها از بازبینی مشارکت‌کنندگان، مرور همتایان، ثبت مسیر تحلیل و مقایسه مستمر کدها استفاده شد. تحلیل داده‌ها به استخراج پنج مقوله اصلی منجر شد: «معماری داده‌محور پیش‌بینی بازده»، «ادغام احساسات سرمایه‌گذاران با داده‌های مالی تاریخی»، «ظرفیت یادگیری عمیق در کشف الگوهای غیرخطی»، «کنترل ریسک مدل، بیش‌برازش و پایداری پیش‌بینی»، و «الزامات پیاده‌سازی نهادی و تصمیم‌گیری سرمایه‌گذاری». یافته‌ها نشان داد که پیش‌بینی بازده سهام صرفاً با اتکا به قیمت‌های تاریخی و شاخص‌های تکنیکال کافی نیست و ترکیب داده‌های ساختاریافته مالی با داده‌های غیرساختاریافته احساسی می‌تواند کیفیت سیگنال‌های پیش‌بینی را افزایش دهد. همچنین، مشارکت‌کنندگان بر ضرورت تفسیرپذیری مدل، بازآموزی دوره‌ای، کنترل سوگیری داده و نظارت انسانی تأکید کردند. نتایج نشان داد که مدل مطلوب پیش‌بینی بازده سهام باید ماهیتی ترکیبی، پویا، چندمنبعی و قابل‌تفسیر داشته باشد. چنین مدلی زمانی می‌تواند در تصمیم‌گیری سرمایه‌گذاری مؤثر باشد که یادگیری عمیق، تحلیل احساسات و داده‌های مالی تاریخی در قالب یک چارچوب حکمرانی داده، اعتبارسنجی مستمر و مدیریت ریسک الگوریتمی یکپارچه شوند.</p> https://jsaefm.com/index.php/jsaefm/article/download/14/13