پیش‌بینی روند شاخص کل با استفاده از شبکه‌های عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه در بورس اوراق بهادار تهران

هدف: پیش‌بینی آینده در حوزۀ سرمایه‌گذاری اهمیت زیادی دارد؛ زیرا به سرمایه‌گذاران کمک می‌کند تا تصمیم‌های بهتری اتخاذ کنند و ریسک‌های خود را کاهش دهند. در این راستا با بهبود قدرت مدل‌های پیش‌بینی، می‌توان به بازدهی‌های بهتری در بازار دست یافت. با این حال، پیش‌بینی بازار سهام به‌دلیل نوسان قیمت‌ها و عدم‌قطعیت، دغدغۀ بزرگی است. به‌طور کلی، پیش‌بینی دقیق حرکت سهام بسیار دشوار است و بسیاری از پژوهشگران به بررسی روش‌هایی می‌پردازند که فقط جهت حرکت سهام را پیش‌بینی می‌کنند. از جمله این روش‌ها، می‌توان به گشت تصادفی، پروبیت و لاجیت اشاره کرد. روش‌های جدیدتری مانند ماشین بردار پشتیبان، الگوریتم نزدیک‌ترین همسایگی و شبکۀ عصبی مصنوعی، برای بهبود پیش‌بینی آینده معرفی شده‌اند. به‌علت اهمیت پیش‌بینی روند بازارهای مالی برای پژوهشگران و سرمایه‌گذاران، این پژوهش با هدف پیش‌بینی روند شاخص کل بورس اوراق بهادار تهران با استفاده از یک شبکۀ عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه انجام شده است. هدف از اجرای این پژوهش، بررسی قدرت پیش‌بینی روش معرفی شده و مقایسۀ آن با روش‌های رقیب است.روش: در این پژوهش، از یک شبکۀ عصبی هیبریدی که شامل شبکۀ عصبی کانولوشن (cnn) برای استخراج ویژگی‌ها و سه شبکۀ عصبی حافظۀ طولانی کوتاه‌مدت (lstm) برای یادگیری وابستگی‌های زمانی است، استفاده شده است. داده‌های استفاده‌شده، مقادیر روزانۀ شاخص کل بورس اوراق بهادار تهران از سال 1377 تا 1401 بود که پس از جمع‌آوری و نرمال‌سازی، به دو بخش آموزش و اعتبارسنجی تقسیم شد. این شبکۀ عصبی هیبریدی با بهره‌گیری از ویژگی مقیاس زمانی چندگانه، تلاش می‌کند تا پیش‌بینی دقیقی از روند شاخص ارائه دهد. همچنین، از روش‌های مهندسی استخراج برای بهبود دقت این شبکه‌ها استفاده شده که عبارت است از: ترکیب شبکه‌های عصبی مختلف در یک شبکۀ جامع.یافته‌ها: نتایج این پژوهش نشان داد که مدل شبکۀ عصبی هیبریدی پیشنهادی که ترکیبی از شبکه‌های عصبی cnn و lstm است، برای پیش‌بینی شاخص کل بورس اوراق بهادار تهران توانایی کافی را ندارد. دقت این مدل در مقیاس‌های زمانی هفتگی و ماهانه، کمتر از مدل‌های رقیب بود. در مقابل، مدل شبکۀ عصبی cnn که به‌عنوان یکی از مدل‌های رقیب بررسی شد، عملکرد بهتری داشت و توانست نتایج دقیق‌تری در پیش‌بینی شاخص کل بورس ارائه دهد. این نتایج با مطالعات قبلی که موفقیت مدل‌های هیبریدی در پیش‌بینی بازارهای مختلف را نشان داده بودند، در تضاد است.نتیجه‌گیری: مدل شبکۀ عصبی هیبریدی پیشنهادی نتوانست شاخص کل بورس اوراق بهادار تهران را به‌درستی پیش‌بینی کند؛ در حالی که مدل cnn به تنهایی نتایج بهتری ارائه داد. این یافته‌ها نشان می‌دهد که شبکه‌های عصبی ساده‌تر، مانند cnn، ممکن است در مواردی عملکرد بهتری داشته باشند. برای پژوهش‌های آتی، پیشنهاد می‌شود با تغییر داده‌های روزانه به داده‌های بین‌روزی (مانند داده‌های دقیقه‌ای)، مدل شبکۀ عصبی هیبریدی مبتنی بر استخراج ویژگی زمانی چندگانه بار دیگر بررسی شود. همچنین، استفاده از شاخص‌های بیشتری مانند مقادیر آغازین، حجم، حداقل، حداکثر، میانگین متحرک و شاخص قدرت نسبی، می‌تواند بهبود دقت مدل‌های پیش‌بینی را به همراه داشته باشد.

predicting index trend using hybrid neural networks with a focus on multi-scale temporal feature extraction in the tehran stock exchange

objectivepredicting the future trends in financial markets stands as a critical task for both investors and researchers, given its pivotal role in enabling well-informed decision-making processes and effective risk management strategies. nevertheless, the realm of stock market dynamics is fraught with inherent complexities and uncertainties, posing a formidable challenge when it comes to achieving accurate predictions. a wide array of predictive modeling techniques have been meticulously investigated, spanning from conventional statistical methodologies to more sophisticated machine learning algorithms. the primary focus of this research endeavor revolves around the predictive analysis of the tehran stock exchange (tse) composite index, wherein a novel hybrid neural network framework is employed. this approach seamlessly integrates multiscale temporal features, with the ultimate objective of bolstering prediction precision and offering profound insights into prevailing market trends and dynamics. methodsthe hybrid neural network architecture that has been put forward integrates the unique capabilities of convolutional neural networks (cnns) in the realm of feature extraction with the effectiveness of long short-term memory (lstm) networks in capturing temporal dependencies. the dataset used in this study consists of daily historical data pertaining to the tse composite index, covering a substantial period from the year 1998 to 2022, which has been meticulously gathered, preprocessed, and subsequently partitioned into distinct sets for training and validation purposes. within the framework of this hybrid neural network model, a sophisticated approach is adopted to harness multiscale temporal features derived from the input data, enabling the generation of highly accurate predictions regarding the future trends of the index. moreover, to further enhance the performance and resilience of the model, sophisticated feature engineering methodologies are implemented to optimize its overall functionality. resultsthe results of the study reveal that while the hybrid neural network model, integrating cnn and lstm components, demonstrates promising capabilities in predicting the tse composite index, its accuracy falls short compared to competing models, particularly at weekly and monthly time scales. conversely, the standalone cnn model exhibits superior performance, yielding more accurate predictions of the index’s movements. these findings challenge the prevailing notion regarding the efficacy of hybrid neural network models in financial market prediction, highlighting the importance of evaluating alternative modeling approaches based on their specific strengths and limitations. conclusiondespite the potential of hybrid neural network models, as demonstrated in previous research, the findings of this study suggest that simpler neural network architectures, such as cnns, may offer better prediction performance in certain scenarios. to address the limitations identified, future research endeavors could explore alternative model configurations, ensemble methods, or hybrid architectures that combine the strengths of different predictive models. additionally, incorporating additional market indicators and exploring intraday data sources could further enhance prediction accuracy and robustness. this abstract encapsulates the key findings and implications of the research, providing valuable insights for investors, researchers, and practitioners in the field of financial market prediction.