سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

Login
PapersConferencesJournals

ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM))

Publish place: Journal of Financial Management Strategy، Vol: 12، Issue: 1
Publish Year: 1403
Type: Journal paper
Language: Persian
View: 177

This Paper With 16 Page And PDF Format Ready To Download

DOWNLOAD Paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:
https://civilica.com/doc/1933481

Document National Code:

JR_JFMZ-12-1_010

Index date: 9 March 2024

ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM)) abstract

ویژگی غیرخطی و نوسانات بالا در سری­ های زمانی مالی، پیش­بینی قیمت سهام و شاخص­ های مالی را با چالش­ های زیادی مواجه ساخته­است. با این حال توسعه­ های اخیر در مدل­ های یادگیری عمیق (DL) با ساختار هایی مانند حافظه طولانی کوتاه مدت (LSTM)  و شبکه عصبی کانولوشنی (CNN) پیشرفت­ هایی در تحلیل این نوع از داده­ها ایجاد کرده است. یکی دیگر از رویکرد هایی که می­تواند در تحلیل سری­ های زمانی مالی کارا باشد تجزیه سیگنال­ های بازار سرمایه از طریق الگوریتم­ هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می­باشد. با توجه به اهمیت مقوله پیش­بینی در بازار های مالی، در این پژوهش با ترکیب مدل­ های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی  CEEMD- DL(LSTM)به منظور پیش­بینی شاخص­ بورس اوراق بهادار تهران مورد استفاده قرار گرفته­است. در این راستا از داده­ های روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی ۰۱/۱۲/۱۳۹۰  - ۰۱/۱۲/۱۴۰۰  استفاده شده­است. نتایج بدست آمده با نتایج مدل­ های رقیب بر اساس معیار های سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، مدل معرفی شده (CEEMD- DL(LSTM))، در مقایسه با مدل­ های سنتی در این حوزه، از کارایی و دقت پیش­بینی بالاتری برخوردار است. بر همین اساس کاربرد این مدل در پیش­بینی­ های مالی پیشنهاد می­گردد.

ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM)) Keywords:

مدل های یادگیری عمیق (DL) , تجزیه مد تجربی یکپارچه کامل (CEEMD) , شاخص بورس اوراق بهادار تهران , حافظه بلندمدت &ndash , کوتاه مدت (LSTM) , شبکه عصبی کانولوشنی (CNN)

ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM)) authors

سکینه صیادی نژاد

دانشجو دکتری مهندسی مالی،گروه مدیریت مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران

علی اسماعیل زاده مقری

دانشیار، گروه حسابداری،واحد اسلامشهر، دانشگاه آزاد اسلامی،تهران،ایران و استاد مدعو دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران

محمد رضا رستمی

دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران و استاد مدعو دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران

احمد یعقوب نژاد

دانشیار، گروه حسابداری، واحد تهران مرکز، دانشگاه آزاد اسلامی،تهران،ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
Arel, I., Rose, D. C., & Karnowski, T. P. (۲۰۱۰). ...
Babajani, J., Taghva, M., Blue, G., Abdollahi, M. (۲۰۱۹). Forecasting ...
Chong, E. and Han, C. and Park, F.C. (۲۰۱۷) Deep ...
Fischer, T., & Krauss, C. (۲۰۱۸). Deep learning with long ...
kaviani, M., Fakhrehosseini, S., dastyar, F. (۲۰۲۰). An Overview of ...
Lin, Y., Yan, Y., Xu, J., Liao, Y., & Ma, ...
Samadi, S., Bayani, ozra. (۲۰۰۹). Relation Between Macroeconomic Variables and ...
Long, Z. Lu and L. Cui, (۲۰۱۸). Deep learning-based feature ...
Yan, B., & Aasma, M. (۲۰۲۰). A novel deep learning ...
Liu, (۲۰۱۹). Novel Volatility Forecasting Using Deep Learning – Long ...
Zarei, G., Mohamadiyan, R., Nayeri Hazeri, H., Mashokouh ajirlou, M. ...
نمایش کامل مراجع