طراحی مدل هوشمند برای بهبود دقت پیش بینی کوتاه مدت قیمت سهام با تلفیق شاخص های تحلیل تکنیکال شبکه عصبی عمیق و شبیه سازی سناریوهای آنی قیمت

پیش بینی کوتاه مدت قیمت سهام به دلیل ماهیت غیرخطی، پویا و آشوب گونه بازارهای مالی همواره یکی از چالش های اساسی پیش روی سرمایه گذاران و تحلیلگران بوده است. هدف این پژوهش طراحی یک مدل هوشمند ترکیبی برای بهبود دقت پیش بینی کوتاه مدت قیمت سهام با تلفیق شاخص های تحلیل تکنیکال، شبکه عصبی عمیق از نوع Transformer و شبیه سازی مونت کارلو است. بدین منظور ۱۱ ویژگی شامل قیمت پایه و ده اندیکاتور تکنیکال پرکاربرد میانگین متحرک ساده و نمایی، MACD، RSI، باندهای بولینگر، مومنتوم، قیمت هموار شده و درصد تغییر (قیمت) از داده های روزانه سه نماد معاملاتی «توان»، «اهرم» و «شتاب» در بورس اوراق بهادار تهران طی بازه زمانی ۱۴۰۱ تا ۲۰ خرداد ۱۴۰۴ پیش از آغاز جنگ ۱۲ روزه استخراج گردید. مدل مبتنی بر معماری Transformer Encoder با ۳ لایه، ۸ سر توجه و نرخ dropouts طراحی و پیاده سازی شد. برای پیش بینی چندگامه و کاهش واریانس از شبیه سازی مونت کارلو با ۱۰۰ تکرار استفاده گردید. ارزیابی مدل با معیارهای RMSE، MAE نشان داد که مدل پیشنهادی از دقت قابل قبولی برخوردار است و مهمتر آنکه توانست ریزش قیمت ناشی از شوک خارجی (جنگ) را پیش از وقوع با تقریب نزدیک به واقعیت پیش بینی کند. این نتایج حاکی از آن است که تلفیق تحلیل تکنیکال، معماری Transformer و شبیه سازی مونت کارلو می تواند سیگنال های هشداردهنده مفیدی در شرایط بحرانی ارائه دهد. مدل پیشنهادی قابلیت استفاده در سیستم های کمکی تصمیم گیری و مدیریت ریسک در بازار سرمایه ایران را داراست.

کلیدواژه ها:

پیش بینی قیمت سهام ، ترانسفورمر (Transformer) ، تحلیل تکنیکال ، شبیه سازی مونت کارلو ، بورس اوراق بهادار تهران ، یادگیری عمیق