fa مروری بر کاربرد مدل‌های بزرگ زبانی در پردازش متن و سری‌های زمانی در تحلیل رفتار سرمایه‌گذاران و پیش‌بینی بازارهای مالی مقالات پردازش متن Paper ترویجی Technical Paper <p style="text-align: justify;"><b><span dir="RTL" lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:">استفاده گسترده از شبکه‌های اجتماعی و انتشار اخبار در رسانه‌ها، حجم عظیمی از داده‌های متنی و سری‌های زمانی را تولید کرده‌است که بر رفتار سرمایه‌گذاران در بازارهای مالی تأثیر مستقیم می‌گذارد؛ در این میان، مدل‌های بزرگ زبانی و فناوری‌های پیشرفته پردازش سری‌های زمانی و زبان طبیعی نقشی کلیدی در جمع‌آوری، تحلیل و استخراج الگوهای پنهان از این داده‌ها ایفا می‌کنند. این مقاله مروری، به بررسی بیش از دویست مرجع منتشرشده از سال ۲۰۰۶ تا ۲۰۲۴ می‌پردازد که به برهم‌کنش بازارهای مالی و وقایع خبری منتشرشده در وب با رویکرد متن‌کاوی متمرکزند. در این مطالعه، انواع منابع اطلاعاتی، روش‌های بازنمایی متن، تحلیل احساسات و مدل‌های پیش‌گو مورد بررسی قرار گرفته‌اند؛ همچنین، کاربرد مدل‌های بزرگ زبانی در پردازش سری‌های زمانی و تحلیل داده‌های بلادرنگ، به‌عنوان یکی از نوآوری‌های اخیر در این حوزه مورد توجه قرار گرفته است. هدف از این پژوهش، شناسایی مرز دانش در حوزه تحلیل کلان‌داده‌ها و ارائه مسیرهای آینده پژوهشی در زمینه </span></span><span dir="RTL" lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:">روش‌</span></span><span dir="RTL" lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:">های متن‌کاوی، هوش مصنوعی و یادگیری عمیق برای توسعه سامانه‌های پیش‌بینی، توصیه‌گر و تحلیل هم‌بستگی در بازارهای مالی نظیر بورس و فارکس است</span></span><span dir="RTL" lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:">.</span></span></b></p> <p style="text-align: justify;"><span style="font-size:9pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="line-height:95%"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><b><span style="font-size:10.0pt"><span style="line-height:95%">The onset of social media venues, online news media, and digital content allowed a vast volume of text and time series data to be generated which plays significant role in investors&#39; decision-making and financial market volatility. Data extracted from these platforms provide information on public sentiments, immediate reactions to news, and informal analyses, which, if processed appropriately, can be very useful indicators in forecasting financial market trends. Billions of dollars are invested and lost, depending on correct forecasting. However, advances in deep learning, especially in large language models (LLMs) and novel time series analysis algorithms, have opened new windows to processing and analyzing this complex data. The advanced language models identify hidden patterns and nonlinear dependencies, always taking into account the context and semantic details of the text between news, market sentiments, and price fluctuations, as well as utilizing them via intelligent market analysis systems. This review analyzes the existing research trends on the relationship of text data available on websites and social networks with the behavior of financial markets, having reviewed more than 200 scientific papers published between 2006 and 2024 in a systematic manner. This study focuses on identifying advanced methods within text representation, sentiment analysis, predictive modeling, and language model applications for analyzing real-time and unstructured data. More than one information source has to be taken into consideration: (Twitter, news agencies, blogs, and specialized forums) from a perspective of credibility, data structure, and influence-on market decisions. Given the complexity of financial markets, such as stocks and forex, there is an ever-increasing demand for hybrid models capable of carrying out analyses across time-series and text data simultaneously. This paper aims to analyze the current research accomplishments, identify gaps in the research, and ultimately put forward future directions for the fields of text mining, AI, and deep learning. These directions can open up the path for the next generation of real-time and adaptive recommender, predictor, and correlation analyzer systems in the financial markets</span></span></b><b><span lang="EN-GB" style="font-size:10.0pt"><span style="line-height:95%">.</span></span></b></span></span></span></span></span></span></p> مدل‌های بزرگ زبانی, متن‌کاوی, تحلیل احساس, پیش‌بینی بازارهای مالی, اخبار, شبکه‌های اجتماعی Large Language Models, Text Mining, Sentiment Analysis, Financial Market Prediction, News, Social Media 109 126 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2214-1&slc_lang=fa&sid=1 Saeede Anbaee Farimani سعیده انبائی فریمانی anbaee@mshdiau.ac.ir 100319475328460013726 100319475328460013726 No PhD Graduate, Department of Computer Software Engineering, Islamic Azad University, Mashhad Branch, Mashhad, Iran دانش‌آموخته دکترای گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران Raheleh Ghouchannezhad noor nia راهله قوچان نژادنورنیا rghoochannejad@yahoo.com 100319475328460013727 100319475328460013727 No PostDoc, Department of Medical Informatics, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran پسادکتری گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران MAJID VAFAEI JAHAN مجید وفایی جهان vafaeijahan@mshdiau.ac.ir 100319475328460013728 100319475328460013728 Yes Associate Professor, Department of Computer Software Engineering, Islamic Azad University, Mashhad Branch, Mashhad, Iran دانشیار گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران