طراحی سیستم هشدار سریع جهت پیش‎ بینی حباب‎ های بورس اوراق بهادار تهران با رویکرد یادگیری عمیق

هدف اصلی این پژوهش، طراحی سیستم هشدار سریع با مدل شبکه‎ های عصبی برگشتی رهیافت LSTM (یادگیری عمیق) است که قادر به پیش‎ بینی به‎ هنگام حباب‎ های قیمتی در بورس تهران باشد. هدف دیگر، مقایسه دقت و کیفیت نتایج با مدل LR (یادگیری ماشین) با استفاده از شاخص‎ های ارزیابی مساحت زیر منحنی و ماتریس درهم‎ ریختگی است. عملکرد این سیستم بر روی پنج شاخص‎ منتخب بورس تهران آزمایش شد. ابتدا داده‎ های ماهانه شاخص‎ های منتخب طی سال‎ های ۱۳۸۱ تا ۱۴۰۲ استخراج‎ و سپس دوره‎ های حبابی توسط آزمون GSADF شناسایی و متغیر مجازی حباب ایجاد شد. سپس با لحاظ تغییرات قیمتی (بازده لگاریتمی) مجموعه‎ ای از شاخص‎ های هشدار دهنده، مدل‎ سازی پیش‎ بینی متغیر حباب انجام شد. سیستم مدنظر با رویکرد یادگیری عمیق و با دقت حدود ۷۳% تا ۸۱%  طراحی شدکه بیشترین دقت پیش‎ بینی مربوط به شاخص کل با ۸۱% و کمترین مربوط به شاخص فلزات اساسی با ۷۳% بود. با مقایسه نتایج مدل LSTM با مدل LR ملاحظه شد که دقت پیش‎ بینی در تمامی شاخص‎ های منتخب بهبود داشته است. مقایسه نتایج شاخص های ارزیابی نشان از عملکرد مطلوب مدل LSTM در مقایسه با مدل LR  می‎ ‎ دهد. براساس بررسی‎ ها، سیستم هشدار سریعی با هدف پیش‎ بینی حباب های قیمتی و با استفاده از یادگیری عمیق طراحی نشده است.

کلیدواژه ها:

آزمون سوپریمم عمومی دیکی‎ فولر تعمیم‎ یافته ، سیستم هشدار سریع ، رگرسیون لجستیک ، حافظه کوتاه‎ مدت طولانی