مقایسه عملکرد دو مدل شبکه عصبی عمیق bilstm و cnn در پیش بینی قیمت سهام (مطالعه موردی: بورس اوراق بهادار تهران)

شبکه‌های عصبی به عنوان یک پیشرفت تکنولوژیک در زمینه یادگیری عمیق به ویژه در پردازش داده‌های ساختار یافته شناخته شده‌اند. این شبکه‌ها قابلیت یادگیری ویژگی‌های پیچیده و تعلیم بدون نظارت را دارند. در زمینه پیش‌بینی قیمت سهام، شبکه‌های عصبی، به ویژه مدل‌هایی مانند شبکه­های عصبی پیچشی (cnn) و حافظه طولانی کوتاه مدت دوطرفه  (bilstm) به دلیل توانایی در درک الگوهای زمانی پیچیده و تعاملات غیرخطی، مورد توجه قرار گرفته‌اند. این شبکه‌ها قادر به استخراج ویژگی‌های مهم از داده‌های زمانی متنوع قیمت سهام هستند و می‌توانند بهبود قابل توجهی در دقت پیش‌بینی قیمت‌ آینده سهام  داشته باشند. این مقاله به بررسی پیش­بینی قیمت سهام با استفاده از دو روش یادگیری عمیق cnn و bilstm و بررسی کارایی آن­ها در بورس اوراق بهادار تهران می‌پردازد. هدف اصلی این پژوهش، پیش‌بینی دقیق تر قیمت سهام در بازه یک ساله با دو روش ذکر شده است. در این مطالعه، از داده‌های تاریخی قیمت سهام 5 شرکت‌ فعال در بورس اوراق بهاردار تهران استفاده شده است. برای پیش‌بینی از مدل‌های cnn و bilstm که زیر شاخه­ای از یادگیری عمیق هستند، بهره برده شده است. تحلیل داده‌ها با استفاده از ابزارهای مالی و کدنویسی مناسب در بستر پایتون3 انجام شد. نتایج نشان دادند به طور میانگین مدل bilstm عملکرد بهتری نسبت به cnn در پیش­بینی قیمت، با توجه به میزان خطای دریافت شده از مدل ها دارد. در نهایت، این پژوهش به بهبود استراتژی‌های سرمایه‌گذاری بر اساس پیش‌بینی قیمت سهام با استفاده از شبکه‌های عصبی می‌پردازد.