سمیه رضوانی - کارشناسی ارشد-مهندسی نرم افزار کامپیوتر دانشگاه پیام نور بین المللی قشم

از آنجایی که بازار سهام بخش مهمی از اقتصاد ملی است، سرمایه گذاران بیشتر و بیشتری شروع به توجه به روش هایی برایبهبود بازده سرمایه گذاری کرده اند و به طور موثر از خطرات خاص اجتناب می کنند. از سوی دیگر، داده های قیمت سهامدارای ویژگی های سری زمانی هستند و شاخص های مختلفی در تعیین قیمت آنها به صورت لحظه تاثیرگذار است واطلاعات مربوطه ماهیت سری زمانی دارند. این پژوهش یک مدل ترکیبی یادگیری عمیق مبتنی بر شبکه عصبی پیچشی وحافظه طولانی کوتاه مدت را برای پیشبینی قیمت بازار سهام پیشنهاد میکند. حافظه طولانی تابع ۱ (tanh(x را در دروازه خروجی اضافه می کند که باعث می شود مدل قیمت بازار سهام را بهتر پیش بینی کند. این مدل ویژگیهای پیشرفته ای را ازطریق شبکه عصبی کانولوشن استخراج می کند که بر قیمت سهام تاثیرگذار هستند. این پژوهش قیمت سهام را از طریقالگوریتم حافظه طولانی کوتاه مدت پس از پردازش داده ها توسط شبکه عصبی پیچشی پیش بینی می کند. برای تاییداثربخشی مدل، داده های تاریخی شاخص مولفه شنژن، برای آموزش و آزمایش مدل پیشنهادی استفاده می شود. روشپیشنهادی مبتنی بر شبکه عصبی پیچشی و حافظه طولانی کوتاه مدت با الگوریتم های دیگر یادگیری عمیق نظیر شبکه عصبیمصنوعی، ترکیب شبکه عصبی بازگشتی و حافظه طولانی کوتاه مدت و دیگر روش ها مورد مقایسه قرار گرفت. نتایج نشانمیدهد که میانگین خطای مطلق، مجذور میانگین مربعات خطا و مربع R در روش پیشنهادی بهتر از دیگر الگوریتم ها است. بنابراین، الگوریتم ترکیبی شبکه عصبی پیجشی و حافظه طولانی کوتاه مدت می تواند به طور دقیق قیمت بازار سهام وشاخص مولفه شنژن در روز معاملاتی بعدی پیش بینی کند، که می تواند به عنوان مرجعی برای اکثر سرمایه گذاران برایجلوگیری از خطرات خاص استفاده شود.

قیمت بازار سهام، یادگیری عمیق، شبکه عصبی پیچشی، حافظه بلند مدت طولانی، سری زمانی