پیش بینی روند شاخص کل با استفاده از شبکه های عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه در بورس اوراق بهادار تهران

هدف: پیش بینی آینده در حوزه سرمایه گذاری اهمیت زیادی دارد؛ زیرا به سرمایه گذاران کمک می کند تا تصمیم های بهتری اتخاذ کنند و ریسک های خود را کاهش دهند. در این راستا با بهبود قدرت مدل های پیش بینی، می توان به بازدهی های بهتری در بازار دست یافت. با این حال، پیش بینی بازار سهام به دلیل نوسان قیمت ها و عدم قطعیت، دغدغه بزرگی است. به طور کلی، پیش بینی دقیق حرکت سهام بسیار دشوار است و بسیاری از پژوهشگران به بررسی روش هایی می پردازند که فقط جهت حرکت سهام را پیش بینی می کنند. از جمله این روش ها، می توان به گشت تصادفی، پروبیت و لاجیت اشاره کرد. روش های جدیدتری مانند ماشین بردار پشتیبان، الگوریتم نزدیک ترین همسایگی و شبکه عصبی مصنوعی، برای بهبود پیش بینی آینده معرفی شده اند. به علت اهمیت پیش بینی روند بازارهای مالی برای پژوهشگران و سرمایه گذاران، این پژوهش با هدف پیش بینی روند شاخص کل بورس اوراق بهادار تهران با استفاده از یک شبکه عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه انجام شده است. هدف از اجرای این پژوهش، بررسی قدرت پیش بینی روش معرفی شده و مقایسه آن با روش های رقیب است.روش: در این پژوهش، از یک شبکه عصبی هیبریدی که شامل شبکه عصبی کانولوشن (CNN) برای استخراج ویژگی ها و سه شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) برای یادگیری وابستگی های زمانی است، استفاده شده است. داده های استفاده شده، مقادیر روزانه شاخص کل بورس اوراق بهادار تهران از سال ۱۳۷۷ تا ۱۴۰۱ بود که پس از جمع آوری و نرمال سازی، به دو بخش آموزش و اعتبارسنجی تقسیم شد. این شبکه عصبی هیبریدی با بهره گیری از ویژگی مقیاس زمانی چندگانه، تلاش می کند تا پیش بینی دقیقی از روند شاخص ارائه دهد. همچنین، از روش های مهندسی استخراج برای بهبود دقت این شبکه ها استفاده شده که عبارت است از: ترکیب شبکه های عصبی مختلف در یک شبکه جامع.یافته ها: نتایج این پژوهش نشان داد که مدل شبکه عصبی هیبریدی پیشنهادی که ترکیبی از شبکه های عصبی CNN و LSTM است، برای پیش بینی شاخص کل بورس اوراق بهادار تهران توانایی کافی را ندارد. دقت این مدل در مقیاس های زمانی هفتگی و ماهانه، کمتر از مدل های رقیب بود. در مقابل، مدل شبکه عصبی CNN که به عنوان یکی از مدل های رقیب بررسی شد، عملکرد بهتری داشت و توانست نتایج دقیق تری در پیش بینی شاخص کل بورس ارائه دهد. این نتایج با مطالعات قبلی که موفقیت مدل های هیبریدی در پیش بینی بازارهای مختلف را نشان داده بودند، در تضاد است.نتیجه گیری: مدل شبکه عصبی هیبریدی پیشنهادی نتوانست شاخص کل بورس اوراق بهادار تهران را به درستی پیش بینی کند؛ در حالی که مدل CNN به تنهایی نتایج بهتری ارائه داد. این یافته ها نشان می دهد که شبکه های عصبی ساده تر، مانند CNN، ممکن است در مواردی عملکرد بهتری داشته باشند. برای پژوهش های آتی، پیشنهاد می شود با تغییر داده های روزانه به داده های بین روزی (مانند داده های دقیقه ای)، مدل شبکه عصبی هیبریدی مبتنی بر استخراج ویژگی زمانی چندگانه بار دیگر بررسی شود. همچنین، استفاده از شاخص های بیشتری مانند مقادیر آغازین، حجم، حداقل، حداکثر، میانگین متحرک و شاخص قدرت نسبی، می تواند بهبود دقت مدل های پیش بینی را به همراه داشته باشد.

کلیدواژه ها:

شبکه عصبی ، کانولوشن ، حافظه طولانی مدت ، مدل سازی