ارائه مدلی جامع برای پیشبینی قیمت سهام مبتنی برLSTM-CNN بهینه شده در بورس اوراق بهادر تهران

بازار سرمایه ایران به دلیل نوسانات شدید، رفتارهای غیرخطی و شرایط عدم اطمینان محیطی، نیازمند ابزارهای پیش بینی دقیق و کارآمد است. در این پژوهش، مدلی ترکیبی مبتنی بر شبکه های عصبی کانولوشنی (CNN) و حافظه بلند–کوتاه مدت (LSTM) ارائه می شود. بخش CNN ویژگی های مکانی داده های سری زمانی را استخراج می کند و بخش LSTM وابستگی های زمانی بلندمدت را تحلیل می نماید. برای افزایش دقت پیش بینی، مدل با استفاده از تکنیک های بهینه سازی شامل Dropout، Early Stopping و تنظیم نرخ یادگیری طراحی شده است. داده های پژوهش شامل قیمت پایانی روزانه، حجم معاملات و شاخص های بازار از شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی یک دوره چندساله است. نتایج نشان می دهد مدل CNN-LSTM بهینه شده نسبت به مدل های سنتی و سایر الگوریتم های یادگیری ماشین، دقت بالاتری در پیش بینی قیمت سهام دارد و می تواند به عنوان ابزاری کاربردی برای سرمایه گذاران و مدیران مالی مورد استفاده قرار گیرد.

کلیدواژه ها:

بورس اوراق بهادار تهران ، LSTM-CNN پیشبینی قیمت سهام ، یادگیری عمیق ، شبکه سریهای زمانی مالی ، بهینهسازی مدل