تجزیه و تحلیل شوک های بازار با مدل هیبریدی ARMA-GARCH و یادگیری عمیق برای پیش بینی پیشرفته

هدف: هدف اصلی پژوهش حاضر ارائه مدلی جهت پیش بینی شوک بازار سهام با رویکرد یادگیری عمیق در بورس اوراق بهادار تهران می­باشد.   روش شناسی: پژوهش حاضر از نظر هدف، کاربردی است. به این معنا که در پی حل یک مشکل خاص در دنیای واقعی است، یعنی پیش بینی شوک های بازار سهام. از نظر ماهیت، این پژوهش توصیفی-تحلیلی است، زیرا هدف آن بررسی و تحلیل تغییرات بازار در طول زمان است و از روش های آماری برای تحلیل داده ها استفاده می کند، برای این منظور از داده­های ۱۵ دقیقه­ای درون روزی شاخص کل در بازه زمانی ۲۰/۳/۹۷ تا ۲۷/۱۲/۹۷ که شامل مقادیر آغازین، پایانی، بیشترین و کمترین شاخص­ مذکور بودند استفاده شده است. در مدل پیشنهادی ابتدا اطلاعات آماری سری زمانی توسط مدل ARMA-GARCH استخراج و سپس با استفاده از روش یادگیری عمیق و  عصبی پیچشی (کانولوشن) یک بعدی برای مدل کردن رابطه غیر خطی مشاهدات سری زمانی استفاده می­شود و در نهایت مدل­های مناسب انتخاب و بر  اساس معیارهای ریشه میانگین خطاها (MSE)، ریشه میانگین مجذور خطاها (RMSE) و میانگین قدر مطلق خطاها (MAE)  دقت پیش بینی­ها ارزیابی می­شود.   یافته ها: نتایج این پژوهش نشان داد که مدل ترکیبی ARMA-GARCH-CNN، با بهره گیری از نقاط قوت هر دو روش سنتی و مدرن، قادر به پیش بینی دقیق شوک های بازار بوده است.   نتیجه گیری: این پژوهش با تمرکز بر بازار سهام ایران و استفاده از داده های درون روزی بورس تهران، توانسته است به طور خاص و دقیق به پیش بینی شوک های بازار ایران بپردازد. این تمرکز بومی سازی مدل برای بازار ایران به طور چشمگیری دقت نتایج را افزایش داده و امکان شبیه سازی شرایط خاص این بازار را فراهم کرده است. به طور کلی، این پژوهش یک مدل ترکیبی نوآورانه برای تحلیل بازار سهام ایران ارائه داده که می تواند برای تحلیل های آینده در بازارهای مشابه مفید واقع شود.

کلیدواژه ها:

پیش بینی شوک بازار سهام ، یادگیری عمیق ، تحلیل سری های زمانی ، مدل ARMA-GARCH-CNN