کاربرد معماری‌های یادگیری عمیق در پیش‌بینی قیمت سهام ‏(رویکرد شبکه عصبی پیچشی ‏cnn‏)‏

اهداف: الگوریتم‌های مبتنی بر شبکۀ عصبی پیچشی (cnn) که شاخه‌ای از مبحث یادگیری عمیق است، در سال‌های اخیر پیشرفت چشمگیری در حوزه‌های تحلیل فیلم و تصویر داشته‌اند؛ موفقیت و پذیرفته‌‌شدن الگوهای نوین این حوزه باعث به‌کارگیری گستردۀ آنها در زمینه‌های مختلف اعم از تحلیل متن و داده‌های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم‌های یادگیری ماشینی است که در آن از چندین لایۀ پردازش اطلاعات به‌ویژه اطلاعات غیرخطی استفاده می‌شود تا از ورودی خام، بهترین ویژگی‌های مناسب با هدف تحلیل، بازشناخت الگو یا پیش‌بینی استخراج شود.روش: در پژوهش حاضر توانایی معماری‌های مختلف الگوریتم cnn برای پیش‌بینی قیمت سهام بررسی شده است.نتایج: نتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماری‌ها و پارامترهای متفاوت و با استفاده از دو دستۀ اصلی داده‌های ورودی شامل اطلاعات قیمتی روزانۀ سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب‌آهن اصفهان نشان‌دهندۀ آن است که استفاده از cnn همراه با لایۀ ادغام بیشینه (ترکیب پارامترهای اندازۀ دستۀ 64، تعداد فیلتر 256 و با تابع فعال‌سازی relu)، دارای خطاهای درصد 1/79 = mape و درصد 2/71 =  nrmse است که نشان‌دهندۀ عملکرد بهتر آن نسبت‌به سایر معماری‌ها و الگوریتم rnn است.

application of deep learning architectures in stock price forecasting: a convolutional neural network ‎approach

algorithms based on a convolutional neural network (cnn), which is a branch of deep learning (dl), have seen significant progress in picture and video analyses in recent years. success of these new models has led to widespread use of them in various fields, including text mining and time series data. dl is part of a broader family of machine learning methods that attempts to model high-level concepts using learning at multiple levels and layers and extract features of higher levels from the raw input. this survey investigated the abilities of different cnn architectures to predict stock prices. upon running the model with various architectures and parameters for the stock price of esfahan steel company, the results showed that a cnn with max-pooling layers (a combination of batch size=64, filters=256, and relu activation function) and mean absolute percentage error (mape) of 1.79% and normalized root mean square error (nrmse) of 2.71% had a higher prediction accuracy than other cnn architectures and recurrent neural network (rnn).