کاربرد مدلهای ترکیبی یادگیری عمیق در پیشبینی شاخص بورس تهران رویکردی داده محور برای تصمیم گیری استراتژیک و مدیریت ریسک سرمایه گذاری

در محیط پویای بازار سرمایه ایران، تصمیم گیری آگاهانه و استراتژیک مستلزم دسترسی به ابزارهای تحلیلی پیشرفته و مبتنی بر داده است. نوسانات شدید شاخص بورس اوراق بهادار تهران و تاثیر عوامل اقتصادی و رفتاری بر رفتار سرمایه گذاران، ضرورت بهره گیری از رویکردهای هوشمند در پیش بینی و مدیریت ریسک را بیش از پیش آشکار ساخته است. این پژوهش با هدف ارائه مدلی داده محور برای بهبود فرآیند تصمیم گیری در حوزه سرمایه گذاری از ترکیب مدلهای یادگیری عمیق مثل CNN-LSTM، GRU-CNN و RNN-LSTM-GRU برای پیشبینی شاخص کل بورس تهران استفاده می کند. داده های پژوهش شامل اطلاعات روزانه شاخص کل بورس طی بازه زمانی فروردین ۱۳۹۳ تا اسفند ۱۴۰۲ بوده و مدل ها در افق های زمانی کوتاه مدت (۱ روزه) و میان مدت (۵ روزه) و بر اساس پنجره های زمانی، ۵، ۲۱ و ۴۳ روزه مورد ارزیابی قرار گرفته اند. نتایج نشان می دهد مدل های ترکیبی، به ویژه RNN-LSTM-GRU، توانایی بالاتری در شناسایی الگوهای پیچیده و غیر خطی بازار داشته و می توانند دقت پیش بینی را به طور معناداری نسبت به مدل های منفرد افزایش دهند. یافته ها بیانگر آن است که بهره گیری از مدل های ترکیبی یادگیری عمیق می تواند به عنوان ابزاری موثر در پشتیبانی از تصمیم گیری استراتژیک، مدیریت ریسک پرتفوی و تدوین سیاست های سرمایه گذاری هوشمند مورد استفاده قرار گیرد. در نتیجه این پژوهش نه تنها به توسعه ادبیات نظری مدیریت مالی داده محور کمک می کند، بلکه چارچوبی عملی برای بهبود تصمیمات سرمایه گذاری در بازارهای نوظهور ارائه می دهد.

کلیدواژه ها:

شاخص بورس ایران ، یادگیری عمیق ، شبکه های عصبی کانولوشن ، حافظه بازگشتی ، مدل های ترکیبی