ارائه مدلی برای پیش بینی قیمت سهام مبتنی بر شبکه عصبی پیچشی و شبکه عصبی حافظه کوتاه مدت ماندگار

هدف: در دهه های اخیر، پیش بینی قیمت سهام به عنوان یکی از چالش های مهم در حوزه مالی مورد توجه قرار گرفته است. از آنجا که قیمت سهام تحت تاثیر عوامل گوناگونی از جمله شرایط اقتصادی، اخبار رویدادها و تغییرات در بازار قرار می گیرد، توسعه مدل های دقیق و پیشرفته برای پیش بینی آن از اهمیت ویژه ای برخوردار است. در این پژوهش برای پیش بینی قیمت سهام از مدل های یادگیری عمیق استفاده شده است. روش: این پژوهش از منظر هدف، کاربردی و از نظر نوع داده ها، کمی است. تمرکز اصلی در این پژوهش، روی مدل های یادگیری است. داده های پژوهش در بازه زمانی سال های ۱۳۸۰ تا ۱۴۰۰ (در مجموع ۲۱ سال) جمع آوری شده است. پالایش اولیه داده ها با استفاده از نرم افزار اکسل صورت پذیرفته است. در ادامه، برای پیش پردازش داده ها، از توزیع کننده آناکوندا و مفسر ژوپیتر نوت بوک استفاده شده است. برای تحلیل و پیش پردازش داده ها، از کتابخانه های Pandas، Numpy وscikit-learn و برای نمایش داده ها، از کتابخانه Matplotlib و برای پیش بینی قیمت، از کتابخانه های keras و Tensorflow استفاده شده است. در این پژوهش از دو مدل به صورت مستقل و یک مدل ترکیبی برای پیش بینی قیمت بهره برده شده است. مدل های مستقل از سه لایه تشکیل شده اند و عبارت اند از: مدل شبکه عصبی پیچشی و مدل شبکه عصبی حافظه کوتاه مدت ماندگار. مدل ترکیبی نیز از چهار لایه تشکیل شده؛ یعنی برای استخراج ویژگی ها، از شبکه عصبی پیچشی و برای پیش بینی داده ها، از شبکه عصبی حافظه کوتاه مدت ماندگار استفاده شده است. مراحل انجام پژوهش به این صورت بوده است که ابتدا داده ها وارد نرم افزار شده، سپس در مقیاس داده ها تغییر ایجاد شد. در ادامه، داده ها به دو دسته آموزش و آزمون تقسیم شدند؛ به گونه ای که ۸۰ درصد داده ها برای آموزش مدل و مابقی برای آزمون استفاده شدند. در نهایت، داده ها از حالت سری زمانی به صورت نظارت شده تبدیل و وارد مدل شدند. برای ارزیابی مدل ها، از سه معیار ارزیابی که شامل ضریب تعیین، خطای میانگین مطلق و ریشه میانگین مربعات خطا استفاده شد. یافته ها: نتایج به دست آمده از معیارهای ارزیابی، نشان می دهد که مدل ترکیبی و مدل شبکه عصبی پیچشی نتایج قابل قبولی دارند؛ اما نتایج حاصل از مدل شبکه عصبی حافظه کوتاه مدت ماندگار، مطلوب نیست. این نتایج نشان می دهد که علاوه بر انتخاب صحیح متغیرهای مستقل و همچنین، تعریف و پیکربندی درست مدل که برای مدل های یادگیری عمیق بسیار لازم است، استخراج ویژگی ها، تاثیر بسزایی در پیش بینی مدل دارد؛ زیرا نتایج نشان می دهد که مدل شبکه عصبی پیچشی، نسبت به مدل شبکه عصبی حافظه کوتاه مدت ماندگار عملکرد بهتری دارد، در حالی که مدل های بازگشتی مانند شبکه عصبی حافظه کوتاه مدت ماندگار، اغلب نتایج مطلوبی در پیش بینی سری های زمانی از خود نشان داده اند. در نهایت، نتایج نشان می دهد که ترکیب این دو مدل عملکرد بهتری نسبت هر یک از مدل ها دارد. نتیجه گیری: وجود عواملی مانند دامنه نوسان در دقت مدل ها اثرگذاری زیادی دارند و اریب مدل را افزایش می دهند؛ اما در این پژوهش که از متغیرهای فنی استفاده شده است، نتایج پژوهش نشان می دهد که برای رسیدن به نتایج مطلوب، علاوه بر انتخاب نوع شبکه عصبی، تعداد لایه های هر مدل نیز در نتایج موثر است؛ زیرا مدل های بسیار ساده یا بسیار پیچیده، باعث ایجاد مشکلاتی اعم از کم برازش یا بیش برازش خواهد شد. همچنین انتخاب ویژگی ها (متغیرهای مستقل) نیز اثر شایان توجهی در نتایج خواهد داشت.

کلیدواژه ها:

پیش بینی قیمت سهام ، شبکه عصبی پیچشی ، شبکه عصبی حافظه کوتاه مدت ماندگار ، شبکه عصبی مصنوعی