<span lang="FA">کارایی سازوکار توجه در شبکه های عصبی عمیق برای پیش بینی قیمت سهام: شواهد تجربی از بورس تهران

هدف از این پژوهش بررسی کارایی سازوکار توجه در ساختار ترکیبی شبکه های CNN و BiLSTM برای پیش بینی قیمت سهام بورس تهران است. در مدل پیشنهادی (CNN-BiLSTM-Attention) ابتدا با لایه های هم آمیختی ویژگی های غیرخطی محلی استخراج می شوند و سپس با BiLSTM به صورت دوطرفه پردازش می شوند. سازوکار توجه نیز به صورت خودکار به بخش های مهم توالی قیمتی وزن دهی می کند. داده های تجربی شامل قیمت ها و شاخص های تکنیکی پنج سهم منتخب (فولاد، فملی، وبملت، فارس، خودرو) در بورس تهران در بازه ۱/۱/۱۴۰۰ تا ۱۵/۵/۱۴۰۴ (مجموعا ۹۲۹ رکورد برای آموزش و آزمون) استفاده شد. داده ها به صورت ۸۰ درصد برای آموزش و ۲۰ درصد برای آزمون تقسیم شدند. نتایج کلیدی نشان داد مدل CNN-BiLSTM-Attention در مقایسه با سایر مدل های مرجع به طور معنی داری دقت پیش بینی بالاتری ارائه می کند. در میانگین عملکرد برای پنج سهم منتخب، مدل پیشنهادی در معیار RMSE به مقدار ۰۳۵/۰ و در معیار MAPE به مقدار ۰۴۶/۰ دست یافت، در حالی که بهترین مدل مرجع (CNN-LSTM) به ترتیب مقادیر ۰۵۲/۰ برای RMSE و ۰۶۶/۰ برای MAPE را ثبت کرد. این بهبود دقت که در معیار ضریب تعیین ( ) نیز آشکار است (رسیدن به میانگین ۸۶۵/۰ در برابر ۸۰۳/۰ در مدل مرجع)، اثربخشی هم کردار هم آمیختی، BiLSTM و سازوکار توجه را تایید می کند. اگر چه پیچیدگی محاسباتی این ساختار نسبتا بیشتر است، اما دقت بسیار بالاتر در پیش بینی قیمت های سهام، آن را برای کاربردهای سرمایه گذاری در بورس تهران مفید می سازد. این پژوهش نخستین مطالعه ای است که سازوکار توجه را در پیش بینی قیمت سهام بورس تهران به کار گرفته و یافته ها نشان می دهد مدل پیشنهادی می تواند به ابزاری کارآمد برای تحلیلگران و معامله گران تبدیل شود.

کلیدواژه ها:

پیش بینی قیمت سهام ، یادگیری عمیق ، مدل ترکیبی ، سازوکار توجه ، بورس اوراق بهادار تهران