ارائه مدل بهینه GWO-LSTM جهت پیش بینی شاخص S&P ۵۰۰ در بازار بورس

پیش بینی بازار بورس نقش مهمی در تصمیم گیری های مالی ایفا می کند، اما مدل های سنتی در شناسایی و بازتاب پویایی های پیچیده و غیرخطی داده های مالی با چالش هایی مواجه هستند. با وجود استفاده گسترده از روش های یادگیری ماشین برای بهبود دقت پیش بینی، بسیاری از این مدل ها به دلیل تنظیم غیربهینه پارامترها و ضعف در سازگاری با نوسانات بازار، نتایج دقیقی ارائه نمی دهند. در این مطالعه، یک مدل ترکیبی نوین با نام GWO-LSTM ارائه شده است که با بهره گیری از الگوریتم بهینه سازی گرگ خاکستری (GWO) به تنظیم بهینه پارامترهای شبکه عصبی حافظه بلندمدت کوتاه مدت (LSTM) می پردازد. هدف این مدل، افزایش دقت پیش بینی قیمت سهام است. ارزیابی عملکرد مدل با استفاده از داده های تاریخی شاخص S&P ۵۰۰ در بازه زمانی ۲۰۱۵ تا ۲۰۲۴ و با به کارگیری متغیرهایی نظیر قیمت باز، سقف، کف، حجم معاملات و قیمت بسته انجام شد. نتایج به کمک معیارهایی همچون ضریب تعیین (R²)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) تحلیل شد و عملکرد مدل پیشنهادی با مدل های مرجع نظیر پرسپترون چندلایه، شبکه عصبی مصنوعی و ماشین یادگیری شدید مقایسه گردید. همچنین آزمون های آماری Diebold-Mariano و مقدار p، برتری معنادار مدل پیشنهادی را از نظر آماری تایید کردند. یافته ها نشان می دهد مدل GWO-LSTM می تواند به عنوان ابزاری موثر در بهبود پیش بینی های بازار بورس، ارتقای تصمیم گیری های مالی و مدیریت ریسک مورد استفاده قرار گیرد.

کلیدواژه ها:

Stock market prediction ، machine learning ، time series forecasting ، financial management ، risk management ، GWO-LSTM ، metaheuristic optimization ، پیش بینی بازار بورس ، یادگیری ماشین ، سری های زمانی ، مدیریت مالی ، مدیریت ریسک ، GWO-LSTM ، بهینه سازی فرا ابتکاری.