مقایسه عملکرد مدلهای LSTM، جنگل تصادفی و ARIMA در پیش بینی قیمت سهام بورس اوراق بهادار تهران

پیش بینی قیمت سهام یکی از مسائل چالش برانگیز در حوزه مالی است که به دلیل ماهیت غیرخطی و پرنوسان بازارهای سرمایه اهمیت ویژه ای دارد. در این پژوهش عملکرد سه مدل پیش بینی شامل مدل کلاسیک خودرگرسیون میانگین متحرک انباشته (ARIMA)، مدل یادگیری ماشین جنگل تصادفی (Random Forest) و مدل یادگیری عمیق حافظه کوتاه مدت طولانی (LSTM) در پیش بینی قیمت سهام بورس اوراق بهادار تهران مقایسه شده است. برای تضمین مقایسه منصفانه هر سه مدل به صورت یک گام به جلوی غلتان (Walk Forward) ارزیابی شدند به نحوی که هر مدل در هر روز فقط به مقادیر واقعی تا روز قبل دسترسی داشت. داده های روزانه ی چهار نماد پر معامله شپنا، کگل، فملی و مپنا پس از پاکسازی و حذف اثرات ناشی از افزایش سرمایه شرکت ها با استفاده از پنجره ی زمانی ۶۰ روزه به مجموعه های آموزش (۸۰ درصد) و آزمون (۲۰ درصد) تقسیم شدند. مدل ها با معیارهای R، MAPE، MAE، RMSE و آزمون معناداری دیبولد ماریانو و در کنار یک مدل پایه ی گام تصادفی (Native Random Walk) ارزیابی شدند. برخلاف انتظار رایج، نتایج نشان داد که در شرایط ارزیابی یک گام به جلو مدل ARIMA با میانگین R معادل ۰.۹۶۸ و MAPE معادل ۰.۲۰۰۱ درصد، به طور آماری معنادار از LSTM و جنگل تصادفی (R = ۰.۹۳۰۶) پیشی گرفت. با این حال مقایسه با مدل پایه نشان داد که ARIMA تنها در دو نماد از چهار نماد به طور معنادار بهتر از پیش بینی ساده ی گام تصادفی عمل کرد که بیانگر آن است که بخش قابل توجهی از دقت ARIMA ناشی از خودهمبستگی ذاتی بالای قیمت سهام است نه توان مدل سازی پیچیده. یافته ها نشان می دهد که در افق پیش بینی یک گام به جلو مدل های پیچیده ی یادگیری ماشین و یادگیری عمیق نسبت به مدل های ساده سری زمانی برتری ثابتی در پیش بینی قیمت سهام بورس تهران ندارند.

کلیدواژه ها:

پیش بینی قیمت سهام ، ارزیابی یک گام به جلو ، LSTM ، جنگل تصادفی ، ARIMA ، بورس اوراق بهادار تهران