پیش بینی قیمت سهام با استفاده از ترکیب الگوریتم های یادگیری عمیق( rnn، lstm و gru) و تجزیه فرکانسی

غیرخطی بودن و نوسانات بالای سری‌های زمانی مالی، پیش‌بینی قیمت سهام را دشوار کرده است. هرچند با پیشرفت‌های اخیر در حوزه یادگیری عمیق و استفاده از مدل‌های شبکه‌های عصبی مانند rnn، lstm و gru، بهبودهای قابل توجهی در تحلیل این نوع داده‌ها به وجود آمده است، اما سیستم‌های مالی پیچیده و پویا به راحتی تحت تاثیر نویز قرار می‌گیرند. وجود نویز در سری‌های زمانی باعث می‌شود که مدل‌های یادگیری عمیق به سختی بتوانند الگوها و ویژگی‌های پنهان سری‌های زمانی را استخراج کنند و در نتیجه، توانایی یادگیری و دقت پیش‌بینی مدل‌های یادگیری عمیق کاهش می‌یابد. تحقیقات نشان داده است که روش تجزیه کامل به مجموعه مولفه‌های مود تجربی (ceemd) ممکن است در تجزیه و تحلیل سری‌های زمانی مالی موثر باشد. پژوهش حاضر به دنبال طراحی یک مدل بر اساس تجزیه سری‌های زمانی برای پیش‌بینی یک روز آینده است. در این راستا، این پژوهش در چهار ساختار، مدل ceemd را با مدل‌های یادگیری عمیق مانند rnn، lstm و gru و مدل آماری arma ترکیب کرده است. برای ارزیابی مدل‌ها از داده شاخص کل و داده‌های قیمت سهام 34 شرکت فعال‌تر بورس تهران مربوط به بازه زمانی فروردین 1396 تا فروردین 1401 استفاده شده است. نتایج این پژوهش نشان می‌دهد که تجزیه داده‌های خام می‌تواند فرآیند استخراج ویژگی‌ها و الگوها را برای یادگیری ماشین تسهیل نماید. به علاوه، مدل ceemd-arma-lstm نسبت به مدل‌های ترکیب نشده دقت پیش‌بینی را 3 درصد افزایش داده است.

stock price prediction using deep learning algorithms (rnn, lstm and gru) and frequency decomposition

predicting stock prices has become difficult due to the non-linearity and high volatility of financial time series. despite significant advancements in various fields and the development of neural network models such as rnn, lstm, and gru, which have greatly improved the analysis of this type of data, complex and dynamic financial systems remain susceptible to noise, which can significantly impact their performance. however, complex and dynamic financial systems are highly susceptible to noise, which complicates the extraction of hidden features and patterns in time series data for deep learning models. consequently, this reduces the learning ability and prediction accuracy of these models. research has demonstrated that the method of complementary ensemble empirical mode decomposition (ceemd) may be effective in the analysis of financial time series. the current research aims to construct a model that is based on the analysis of time series to predict a step ahead. the ceemd model and deep learning models like rnn, lstm, gru, and arma statistical models have been combined in four structures in this research. to evaluate the models, the data on the index of the tehran stock exchange and the data of the 34 most active companies on the tehran stock exchange from the time period of march 2017 to march 2202 have been used. according to this study, raw data analysis can make it easier to extract features and patterns for machine learning. the prediction accuracy of the ceemd-arma-lstn model has been 3% better than that of uncombined models.