پیش بینی پذیری بورس اوراق بهادار تهران با استفاده از مدل های یادگیری عمیق (مدل هیبریدی CNN-LSTM)

یادگیری عمیق، زیرمجموعه ای از کلاس گسترده تر از روش های یادگیری ماشین مبتنی شبکه های عصبی می باشد که اخیرا در حوزه های مختلفی از جمله پیش بینی سری های زمانی در بازارهای مالی، توجهات زیادی را به خود جلب کرده است. در این تحقیق، ابتدا بر اساس مدل های یادگیری عمیق مبتنی بر شبکه های LSTM و CNN حرکت شاخص بورس اوراق بهادار تهران پیش بینی می گردد. در ادامه با ترکیب دو مدل مذکور، مدل هیبریدی یادگیری عمیق CNN-LSTM به منظور پیش بینی شاخص بورس اوراق بهادار تهران مورد استفاده قرار گرفت. در مرحله بعد، به منظور ارزیابی عملکرد مدل های پیش بینی مذکور، سه معیار سنجش کارایی میانگین درصد قدرمطلق خطای متقارن (SMAPE)، میانگین مطلق درصد خطا (MAPE) و ریشه میانگین مربع خطا (RMSE) مورد استفاده قرار گرفت. در این تحقیق از داده های روزانه شاخص بورس اوراق بهادار تهران در دوره زمانی ۲۳/۴/۱۳۹۵ - ۲۶/۱/۱۴۰۰ استفاده شده است. نتایج برآورد مدل ها در پیش بینی شاخص بورس اوراق بهادار تهران با گام یک روزه و مقایسه معیارهای سنجش کارایی، حاکی از برتری عملکرد مدل پیشنهادی CNN-LSTM در مقایسه با دو مدل دیگر می باشد. مدل LSTM در رتبه بعدی دقت و کارایی پیش بینی قرار می گیرد. با توجه به نتایج ارایه شده در این تحقیق، به فعالین بازارهای مالی در ایران پیشنهاد می گردد مدل های تلفیقی یادگیری عمیق را به منظور افزایش کارایی و دقت پیش بینی های خود مورد توجه قرار دهند.

Keywords:

پیش بینی پذیری , مدل های یادگیری عمیق (Deep Learning) , بورس اوراق بهادار تهران.