مروری بر مدل های یادگیری عمیق در پیش بینی قیمت سهام در بازار بورس

هدف از انجام تحقیق حاضر بررسی و تحلیل مدل های یادگیری عمیق در پیش بینی قیمت سهام بود. بازار سهام به عنوان بستر اصلی تخصیص سرمایه، با پویایی های غیرخطی و تغییر رژیم های قیمتی، روش های سنتی پیش بینی را با محدودیت مواجه می کند. این پژوهش یک مرور نظام مند از ادبیات سال های ۲۰۲۳ تا ۲۰۲۵ انجام می دهد و بر مدل های یادگیری عمیق در ژورنال های یک کیفیت ناشران معتبر، به ویژه الزویر و در موارد لازم آی ای ای ای متمرکز است. راهبرد جستجو در پایگاه های وب آو ساینس، اسکاپوس و گوگل اسکالر پیاده شد. معیارهای ورود شامل زبان انگلیسی، یافته های تجربی و غیرمروری بودن بود؛ مقالاتی که صرفا نظری یا مروری بودند کنار گذاشته شدند. یافته ها نشان می دهد معماری های عمیق به ویژه شبکه عصبی با حافظه بلندمدت و کوتاه مدت برای وابستگی های دیرمان، شبکه عصبی کانولوشنی برای الگوهای محلی و ریزساختاری مانند دفتر سفارش محدود، و شبکه گراف برای روابط بین نمادی در قالب های هیبریدی و با بهره گیری از داده های چندوجهی نظیر قیمت، اخبار و احساسات، شاخص های نوسان و متغیرهای کلان نسبت به خطوط پایه کلاسیک، بهبود پایدار در دقت و ثبات ایجاد می کنند. افزودن مکانیسم توجه و استفاده از مدل های قابل توضیح مانند LassoNet شکاف اعتماد را کاهش داده و در عین حفظ کارایی، شفافیت تصمیم ها را افزایش می دهد. در عین حال، چالش هایی نظیر خطر بیش برازش و نشت اطلاعات، ناهمگونی مجموعه داده ها و فاصله میان بهبود آماری و سودآوری اقتصادی به واسطه نادیده گرفتن هزینه های معاملاتی و محدودیت نقدشوندگی برجاست و تعمیم نتایج به بازارهای متفاوت نیازمند ارزیابی های زمان محور سخت گیرانه و سنجه های اقتصادی است. جمع بندی آن که مسیر برتر آینده، طراحی سامانه های هیبریدی چندوجهی توضیح پذیر است که هم زمان بر پایداری اقتصادی، تفسیرپذیری و تعمیم پذیری تمرکز دارند.

کلیدواژه ها:

یادگیری عمیق ، پیش بینی قیمت سهام ، داده های چندوجهی ، مدل های هیبریدی.