پیش بینی هوشمند قیمت سهام: ترکیب شبکه های عصبی عمیق با بهینه سازی پورتفولیو مبتنی بر لحظات آماری مرتبه بالاتر

بازارهای مالی به دلیل ماهیت غیرخطی، پویا و وابسته به زمان، چالش های اساسی برای روش های پیش بینی سنتی ایجاد می کنند. در این پژوهش، یک چارچوب الگوریتمی ترکیبی توسعه داده شده است که پیش بینی جهت بازار توسط شبکه های عصبی عمیق (LSTM) را با بهینه سازی پورتفولیو مبتنی بر لحظات آماری مرتبه بالاتر (چولگی و کشیدگی) ادغام می کند. داده های تاریخی قیمت سهام از منابع واقعی استخراج شده و پس از پیش پردازش، نرمال سازی و کاهش ابعاد با PCA، برای آموزش مدل های LSTM، GRU، CNN و XGBoost در یک چارچوب مقایسه ای یکسان به کار گرفته شده اند. تابع هدف بهینه سازی، ریسک های دم سنگین را جریمه و تمایل به سودهای بزرگ را تشویق می کند. نتایج ارزیابی تجربی نشان می دهد که مدل LSTM با کسب آلفای ۲۷.۳۶% و نسبت Sortino برابر با ۰.۹۵۴، بهترین عملکرد را در پیش بینی روند قیمت دارد و رویکرد پیشنهادی می تواند بازده تعدیل شده ریسکی را به طور قابل توجهی افزایش دهد.

کلیدواژه ها:

LSTM ، GRU ، CNN ، XGBoost ، PCA ، پیش بینی سری زمانی ، یادگیری عمیق ، بهینه سازی پورتفولیو ، بازارهای مالی