مدل هوشمند پیش‌بینی قیمت سهام مبتنی بر یادگیری عمیق: با رویکرد کاهش ابعاد

پیش‌بینی قیمت و بازده سهام یکی از پیچیده‌ترین و بحث‌برانگیزترین موضوعات در بازارهای مالی است. بازار سهام همواره تحت تاثیر وضعیت اقتصاد ملی، تصورات سرمایه‌گذاران و رویدادهای سیاسی بوده است و سری قیمت‌ها به شدت غیرخطی و غیرثابت است. با تحقیقات مستمر و به‌روزرسانی محققان در بازار اقتصادی و تئوری بازار سهام، به‌تدریج مولفه‌های پیش‌بینی شاخص قیمت سهام در معرض دید قرار گرفتند و پیش‌بینی قیمت سهام امکان‌پذیر شد. این پژوهش نیز با هدف ارائۀ مدل هوشمند پیش‌بینی قیمت سهام مبتنی بر یادگیری عمیق در بازار بورس اوراق بهادار تهران با رویکرد تکنیک‌های کاهش ابعاد جهت مدیریت سبد سرمایه انجام شد تا افزایش بازده و کاهش ریسک سرمایه‌گذاری ممکن شود. داده‌های استفاده‌شده در بازۀ زمانی 1399 تا 1402 از سامانۀ کدال دریافت و با استفاده از روش crisp و با استفاده از زبان برنامه‌نویسی پایتون کدنویسی و تحلیل شدند. برای مدل پیشنهادی ترکیبی از الگوریتم‌های lstm، pca و svd استفاده شد. مقایسۀ ترکیب روش‏های کاهش ابعاد با روش‏های هوش مصنوعی نشان می‏دهد برای پیش‌بینی برای روز آتی به‌کارگیری روش کاهش ابعاد pca می‏تواند عملکرد یادگیری عمیق را نسبت‌به سایر روش‏های کاهش ابعاد داده بهبود بخشد.

an intelligent stock price forecasting model based on deep learning: with dimensionality reduction approach

forecasting stock price and returns is one of the most complicated andcontroversial issues in financial markets . the stock market has always been influenced by the state of the national economy, investors; perceptions and political events, and the price series is highly non linear and unstable. with continuous research and updating of researchers in the economic market and stock market theory, the components of stock price index prediction were gradually exposed and stock price prediction became possible. this research was also conducted with the aim of providing an intelligent stock price forecasting model based on deep learning in the tehran stock exchange market with the approach of dimensionality reduction techniques for managing the capital portfolio in order to increase returns and reduce investment risk . the data used in the period of 2020 2023 were received from the kodal system and coded and analyzed using the crisp method and using the python programming language. a combination of lstm, pca and svd algorithms was used for the proposed model. comparing the combination of dimensionality reduction methods with artificial intelligence methods shows that the use of pca dimensionality reduction method can improve the performance of deep learning compared to other data dimensionality reduction methods .