پیش بینی نوسان های شاخص کل بورس اوراق بهادار تهران با مدل ترکیبی پیشنهادی WD-LSTM

پیش بینی نوسانات شاخص کل بورس اوراق بهادار تهران به دلیل اهمیت آن در تصمیم گیری های مالی و سرمایه گذاری، از اهمیت بالایی برخوردار است. در این پژوهش از داده های ماهانه سپتامبر ۲۰۱۱ تا دسامبر ۲۰۲۴ (۱۶۰ ماه) استفاده شده است. ۱۲۸ مشاهده نخست برای آموزش مدل ترکیبی تجزیه موجک (WD) و شبکه عصبی بازگشتی حافظه کوتاه مدت طولانی (LSTM) مورد استفاده قرار گرفته و در پیش بینی درون نمونه ای، همان ۱۲۸ مشاهده پیش بینی شدند و در پیش بینی برون نمونه ای، مدل با ۱۲۸ مشاهده اول آموزش داده شده و ۳۲ مشاهده بعدی پیش بینی شدند. نتایج نشان می دهد که ترکیب دو ابزار WD و LSTM خطای پیش بینی درون نمونه ای را حدود ۳/۹۸ درصد و خطای پیش بینی برون نمونه ای را حدود ۹/۹۷ درصد کاهش داده است. در پیش بینی درون نمونه ای ضریب تعیین از ۵۷/۳۵ درصد به ۹۸/۹۹ درصد (حدود ۸/۲ برابر) و در پیش بینی برون نمونه ای از ۵۷/۲۲ درصد به ۹۷/۹۹ درصد (بیش از ۴/۴ برابر) افزایش یافته است. این نتایج بر دقت بالای مدل پیشنهادی ترکیبی WD-LSTM در پیش بینی نوسان های شاخص کل بورس اوراق بهادار تهران تاکید می کند. نتایج پژوهش می تواند به عنوان یک چارچوب موثر برای تحلیل و پیش بینی داده های مالی به کار گرفته شود و ابزارهای جدیدی برای تحلیل گران مالی و سرمایه گذاران فراهم آورد.

کلیدواژه ها:

شاخص کل بورس اوراق بهادار تهران ، تجزیه موجک ، شبکه عصبی بازگشتی LSTM ، یادگیری ماشین