تجزیه و تحلیل شوک‌های بازار با مدل هیبریدی arma-garch و یادگیری عمیق برای پیش بینی پیشرفته

هدف: هدف اصلی پژوهش حاضر ارائه مدلی جهت پیش بینی شوک بازار سهام با رویکرد یادگیری عمیق در بورس اوراق بهادار تهران می باشد. روش شناسی: پژوهش حاضر از نظر هدف، کاربردی است. به این معنا که در پی حل یک مشکل خاص در دنیای واقعی است، یعنی پیش‌بینی شوک‌های بازار سهام. از نظر ماهیت، این پژوهش توصیفی-تحلیلی است، زیرا هدف آن بررسی و تحلیل تغییرات بازار در طول زمان است و از روش‌های آماری برای تحلیل داده‌ها استفاده می‌کند، برای این منظور از داده های 15 دقیقه ای درون روزی شاخص کل در بازه زمانی 97/3/20 تا 97/12/27 که شامل مقادیر آغازین، پایانی، بیشترین و کمترین شاخص مذکور بودند استفاده شده است. در مدل پیشنهادی ابتدا اطلاعات آماری سری زمانی توسط مدل arma-garch استخراج و سپس با استفاده از روش یادگیری عمیق و  عصبی پیچشی (کانولوشن) یک بعدی برای مدل کردن رابطه غیر خطی مشاهدات سری زمانی استفاده می شود و در نهایت مدل های مناسب انتخاب و بر  اساس معیارهای ریشه میانگین خطاها (mse)، ریشه میانگین مجذور خطاها (rmse) و میانگین قدر مطلق خطاها (mae)  دقت پیش بینی ها ارزیابی می شود. یافته ها: نتایج این پژوهش نشان داد که مدل ترکیبی arma-garch-cnn، با بهره‌گیری از نقاط قوت هر دو روش سنتی و مدرن، قادر به پیش‌بینی دقیق شوک‌های بازار بوده است. نتیجه گیری: این پژوهش با تمرکز بر بازار سهام ایران و استفاده از داده‌های درون‌روزی بورس تهران، توانسته است به‌طور خاص و دقیق به پیش‌بینی شوک‌های بازار ایران بپردازد. این تمرکز بومی‌سازی مدل برای بازار ایران به‌طور چشمگیری دقت نتایج را افزایش داده و امکان شبیه‌سازی شرایط خاص این بازار را فراهم کرده است. به‌طور کلی، این پژوهش یک مدل ترکیبی نوآورانه برای تحلیل بازار سهام ایران ارائه داده که می‌تواند برای تحلیل‌های آینده در بازارهای مشابه مفید واقع شود.

analyzing market shocks with a hybrid arma-garch and deep learning model for enhanced forecasting

objective: the primary aim of the present study is to provide a model for forecasting stock market shocks using a deep learning approach in the tehran stock exchange. methodology: the current research is applied in terms of its objective, meaning it seeks to solve a specific real-world problem, namely, the prediction of stock market shocks. in terms of nature, this research is descriptive-analytical, as its goal is to examine and analyze market fluctuations over time and it utilizes statistical methods for data analysis. for this purpose, intraday 15-minute data of the overall index in the time interval from march 20, 2018, to december 27, 2018, which includes the opening, closing, highest, and lowest values of the aforementioned index, were used. in the proposed model, statistical information from the time series is first extracted using the arma-garch model and then, using the deep learning method and one-dimensional convolutional neural networks (cnn), the nonlinear relationships of the time series observations are modeled. finally, the appropriate models are selected, and based on the criteria of mean squared error (mse), root mean squared error (rmse), and mean absolute error (mae), the prediction accuracies are evaluated. findings: the results of this study indicated that the combined arma-garch-cnn model, leveraging the strengths of both traditional and modern methods, was capable of accurately forecasting market shocks. conclusion: this research, focusing on the iranian stock market and utilizing intraday data from the tehran stock exchange, has specifically and accurately addressed the prediction of iran’s market shocks. this localization of the model for the iranian market significantly increased the accuracy of the results and enabled the simulation of the specific conditions of this market. overall, this study presented an innovative hybrid model for analyzing the iranian stock market, which can be beneficial for future analyses in similar markets.