پیش بینی پذیری بورس اوراق بهادار تهران با استفاده از مدل های یادگیری عمیق (مدل هیبریدی cnn-lstm)

یادگیری عمیق، زیرمجموعه ای از کلاس گسترده تر از روش های یادگیری ماشین مبتنی شبکه های عصبی می باشد که اخیراً در حوزه های مختلفی از جمله پیش بینی سری های زمانی در بازارهای مالی، توجهات زیادی را به خود جلب کرده است. در این تحقیق، ابتدا بر اساس مدلهای یادگیری عمیق مبتنی بر شبکه های lstm و cnn حرکت شاخص بورس اوراق بهادار تهران پیش بینی میگردد. در ادامه با ترکیب دو مدل مذکور، مدل هیبریدی یادگیری عمیق cnn-lstm به منظور پیش بینی شاخص بورس اوراق بهادار تهران مورد استفاده قرار گرفت. در مرحله بعد، به منظور ارزیابی عملکرد مدل های پیش بینی مذکور، سه معیار سنجش کارایی میانگین درصد قدرمطلق خطای متقارن (smape)، میانگین مطلق درصد خطا (mape) و ریشه میانگین مربع خطا (rmse) مورد استفاده قرار گرفت. در این تحقیق از داده های روزانه شاخص بورس اوراق بهادار تهران در دوره زمانی 23/4/1395 - 26/1/1400 استفاده شدهاست. نتایج برآورد مدلها در پیشبینی شاخص بورس اوراق بهادار تهران با گام یک روزه و مقایسه معیارهای سنجش کارایی، حاکی از برتری عملکرد مدل پیشنهادی cnn-lstm در مقایسه با دو مدل دیگر میباشد. مدل lstm در رتبه بعدی دقت و کارایی پیشبینی قرار می گیرد. با توجه به نتایج ارایه شده در این تحقیق، به فعالین بازارهای مالی در ایران پیشنهاد میگردد مدل های تلفیقی یادگیری عمیق را به منظور افزایش کارایی و دقت پیش بینی های خود مورد توجه قرار دهند.