پیش بینی سری های زمانی مالی با استفاده ازشبکه عصبیعمیق خودرمزنگار

پیشبینی سری های زمانی مالی یکی از مباحث داغ و مورد علاقه برای بسیاری از سرمایه گذاران می باشد. از آنجا که داده های سری زمانی مالی ماهیتی و غیرخطی دارند پیشبینی این بازار به خودیخود می تواند بسیار چالشبرانگیز باشد. نویز و ناهنجارینیز پدیده جدا نشدنی داده هایاز non-stationary نوع سریزمانی هستند که پیشبینی این داده هایماهیتا پیچیده را دشوار تر می کنند. رفتارهایهیجانی سرمایه گذاران می تواند باعثایجاد الگوهایی بر خلاف روند معمول بازار گردد که شناسایی و حذف این الگوها می تواند در ادامه پیشبینی روند بازار موثر واقع گردد. در اینجا سعی شده تا با استفاده از یک داده هایمربوط رفتارهایهیجانی بازار را شناسایی کرده و با جایگذاریبهینه این ناهنجاری ها داده هایبهتریرا در اختیار یکشبکه عمیق autoencoder که به عنوان مدل نهایی جهتپیشبینی بازار مورد استفاده واقع شده استقرار دهیم. نتایج بدستآمده نشان می دهد که انجام پیشپردازشبر lstmrmse، رویداده هاباعث بهبود عملکرد مدل و کاهش خطای پیشبینی می شود به طوری که خطای پیشبینی با روش ارائه شده در کمترین حالت براساس توابع به ترتیب 4 ،4 و 5 درصد بهود داشته است.