مدلسازی پیشبینی قیمت سهام در ایران با استفاده از یادگیری عمیق | ||
| تحقیقات مالی | ||
| دوره 28، شماره 2، 1405، صفحه 424-463 اصل مقاله (976.63 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2025.383898.1007656 | ||
| نویسندگان | ||
| صالح گل تبار* 1؛ اسمعیل ابونوری2؛ علی حبیب نیا3 | ||
| 1دانشجوی دکتری، گروه اقتصاد، دانشگاه سمنان، سمنان، ایران. | ||
| 2استاد، گروه اقتصاد، دانشگاه سمنان، سمنان، ایران. | ||
| 3استادیار، گروه اقتصاد، دانشگاه ویرجینیا تک، بلکسبورگ، آمریکا. | ||
| چکیده | ||
| هدف: این پژوهش با بهرهگیری از روشهای یادگیری عمیق نظارتشده، رویکردی نوآورانه برای پیشبینی قیمت پایانی در بازار سهام ارائه میدهد. هدف این پژوهش، درک وابستگیهای زمانی موجود در دادههای بازار سهام و ارائۀ پیشبینیهای دقیق و قابل اطمینان است. همچنین با تمرکز بر بازار ایران، بهعنوان یک کشور در حال توسعه که در مطالعات پیشین به آن کمتوجهی شده است و بررسی ۱۰ سهم در بازار سهام ایران، طی دورۀ زمانی بیش از ۱۰ سال (از ۱۳۹۱ تا ۱۴۰۲) و درنظر گرفتن ۲۱ متغیر ورودی، این مطالعه ابعاد منحصربهفردی را بررسی میکند. روش: بهطور مشخص، روش این مطالعه ادغام شبکۀ حافظۀ طولانی کوتاهمدت با یادگیری عمیق است. با شناسایی یک شکاف تحقیقاتی در زمینۀ دادههای با ابعاد بالا، این مطالعه استفاده از کدکنندۀ خودکار نظارتشده شبکۀ حافظۀ طولانی کوتاهمدت پشتهای را برای بهبود دقت پیشبینی معرفی میکند. در این مقاله، از شبکۀ عصبی حافظۀ طولانی کوتاهمدت بهره برده شده است تا از تواناییهای برجسته این روش در مدلسازی وابستگیهای زمانی استفاده شود؛ با این حال، هنگام مواجهه با دادههای با ابعاد بالا، استفاده از یک روش منفرد ممکن است برای دستیابی به پیشبینیهای دقیق کافی نباشد؛ بنابراین، LSTM کدکنندۀ خودکار وارد فرایند شده است. نکتۀ برجستۀ این مقاله، استفاده از کدکنندۀ خودکار نظارتشدۀ LSTM (LSAE) است که در مقایسه با روشهای قبلی، بهبود شایان توجهی در دقت پیشبینیها ایجاد میکند. در ادامه، از LSAE پشتهای بهره برده شده است که قادر است ویژگیهای دقیق و ارزشمند دادهها را شناسایی و استخراج کند و در نهایت به پیشبینیهای بسیار دقیقتر منجر شود. یافتهها: برای انجام مقایسۀ جامع، از پنج مدل پیشبینی مختلف شامل SLSAE، LSAE، LSTM، ANN و ARIMA استفاده شده است. نتایج نشان میدهد که مدلهای پیچیدهتر و مبتنی بر شبکههای عصبی عمیق، بهویژه SLSAE و LSAE، نسبت به مدلهای سادهتر مثل ARIMA و ANN دقت بیشتری دارند. در تمام سهامها، SLSAE بهترین نتایج را در معیارهای مختلف بهدست آورده است. این مدل کمترین مقادیر RMSE، MSE و MAE و همچنین بالاترین مقادیر ۲R را ارائه میدهد. دلیل این عملکرد برتر، استفاده از معماری نظارتشدۀ چندلایه است که امکان شناسایی الگوهای پیچیده و ناخطی در دادههای سری زمانی را فراهم میکند. این ویژگیها باعث شده است که این مدل در شناسایی و پیشبینی جزئیات دقیق قیمت پایانی سهام، بسیار موفق عمل کند. نتیجهگیری: پیشبینی بازار سهام بهدلیل ناخطی بودن ذاتی موجود در دادههای ورودی، چالش مهمی را ایجاد میکند. هنگامی که متغیرهای متنوعی بهعنوان ورودی ارائه میشوند، تکنیکهای یادگیری عمیق عملکرد برتری را نشان میدهند. برای افزایش دقت پیشبینی بازار سهام، از معماری یادگیری عمیق متشکل از SAE، LSAE و ترکیبی به نام SLSAE استفاده شده است. برخلاف شبکههای عمیق موجود که بیشتر بر یادگیری ویژگیهای نظارتنشده برای استخراج ویژگیهای مفید از دادههای ورودی خام تمرکز میکنند، روش SLSAE قادر است که ویژگیهای عمیق مرتبط با قیمت پایانی را بهطور مستقیم از دادههای ورودی خام یاد بگیرد. این روش ساختار سلسلهمراتبیای را بهکار میگیرد که در آن، ویژگیهای مرتبط با قیمت پایانی سطح بالا از طریق ساخت چندین مدل SAE از نمونههای سطح پایین قبلی آموخته میشود. هر مدل SAE تضمین میکند که ویژگیهای آموخته شده، بهطور چشمگیری به پیشبینی دادههای قیمت در لایه خروجی کمک میکند. در نتیجه، ویژگیهای مرتبط با قیمت پایانی بهتدریج آموخته میشوند، در حالی که اطلاعات نامربوط بهتدریج از طریق انباشته شدن سلسلهمراتبی مدلهای SAE کاهش مییابد. نتایج نشان میدهد که استفاده از این روش، بهطور چشمگیری دقت پیشبینی قیمت پایانی سهام را بهبود میبخشد و کارآمدی روش پیشنهادی را نشان میدهد. | ||
| کلیدواژهها | ||
| پیشبینی؛ سهام؛ یادگیری عمیق؛ کدکنندۀ خودکار نظارتشده؛ شبکۀ حافظۀ طولانی کوتاهمدت | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 465 تعداد دریافت فایل اصل مقاله: 229 |
||