ارزیابی عملکرد مدل های شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) و پروپت (Prophet) در پیش بینی بازدهی شاخص بورس اوراق بهادار تهران

پیش بینی شاخص های بازار سهام به دلیل ماهیت پویا، نوسانات شدید و ساختار غیرخطی داده ها یکی از چالش های اساسی در تحلیل های مالی محسوب می شود. در این پژوهش، از دو روش پیشرفته تحلیل داده های سری زمانی، یعنی شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) و مدل پروپت (Prophet)، برای پیش بینی بازدهی شاخص بورس اوراق بهادار تهران استفاده شده است. مدل LSTM به دلیل توانایی قابل توجه در شناسایی وابستگی های زمانی بلندمدت و استخراج ویژگی های غیرخطی و مدل Prophet به دلیل توانمندی در مدل سازی دقیق روندها و الگوهای فصلی داده های مالی، انتخاب شده اند. در این پژوهش، داده های روزانه شاخص بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۲ تا ۱۴۰۲ گردآوری شده و پس از پردازش و آماده سازی، به عنوان ورودی مدل ها مورد استفاده قرار گرفته است. عملکرد مدل ها بر اساس دو معیار خطای پیش بینی شامل میانگین قدرمطلق خطا (MAE) و میانگین مربعات خطا (MSE) ارزیابی شده و آزمون دیبولد- ماریانو (DM) به منظور سنجش معناداری آماری تفاوت عملکرد مدل ها به کار گرفته شده است. همچنین، در این پژوهش به منظور بهینه سازی پارامترهای مدل LSTM، از الگوریتم بهینه سازی ازدحام ذرات (PSO) استفاده شده است. نتایج این پژوهش نشان می دهد که مدل LSTM عملکرد بهتری در پیش بینی بازدهی شاخص بورس اوراق بهادار تهران در مقایسه با مدل Prophet دارد و تفاوت دقت پیش بینی آن ها از نظر آماری معنادار است. بااین حال، مدل Prophet به دلیل سهولت پیاده سازی و تحلیل روندهای بلندمدت و فصلی همچان ابزاری مناسب برای تحلیل روندهای کلی بازار محسوب می شود. یافته های این پژوهش می تواند به سرمایه گذاران، تحلیل گران مالی و سیاست گذاران اقتصادی در بهبود فرآیندهای تصمیم گیری و تدوین استراتژی های سرمایه گذاری کمک کند

کلیدواژه ها:

پیش بینی بازده سهام ، شاخص بورس اوراق بهادار تهران ، مدل پروپت ، مدل شبکه عصبی حافظه طولانی کوتاه مدت