بررسی تاثیر پنجره زمانی، مجموعه ویژگی ها و الگوریتم بهینه ساز بر عملکرد مدل های یادگیری عمیق در پیش بینی بازار سهام

پیش بینی بازار سهام به دلیل ماهیت پویا و غیر خطی دادههای مالی همواره از چالشهای اساسی در حوزه مالی هوشمند محسوب می شود. در این پژوهش با هدف بهبود عملکرد مدلهای یادگیری عمیق تاثیر الگوریتمهای بهینه ساز در فرایند آموزش مدل های پیش بینی بازار سهام بررسی شده است. دادههای مربوط به شاخص کل بورس تهران طی سالهای ۱۳۹۳ تا ۱۴۰۲ از منابع رسمی گردآوری و پس از نرمال سازی برای آموزش مدلهای شبکه عصبی بازگشتی (RNN) و ساختارهای پیشرفته تر آن شامل GRU, LSTM و مدلهای ترکیبی CNN-LSTM و CNN-GRU بکار گرفته شدند. در این پژوهش سه الگوریتم بهینه ساز RMSProp, Adam, SGD مورد استفاده قرار گرفت و عملکرد آنها براساس معیارهای MSE, MAE مقایسه گردید. نتایج نشان داد که الگوریتم Adam با نرخ یادگیری تطبیقی خود کمترین خطا و بیشترین پایداری را در آموزش مدلها داشته است. یافته ها بیانگر آن است که انتخاب نوع الگوریتم بهینه ساز نقش تعیین کننده ای در دقت مدلهای یادگیری عمیق دارد و توجه به آن می تواند در تصمیم گیریهای مالی نقش موثری ایفا کند.

کلیدواژه ها:

بازار سهام ، الگوریتم بهینه ساز ، آدام ، شبکههای عصبی بازگشتی ، پیش بینی مالی