مروری بر روش‌های یادگیری عمیق در پیش‌بینی قیمت اختیار معامله در بورس اوراق بهادار تهران

پیش‌بینی دقیق قیمت قراردادهای اختیار معامله به‌دلیل نوسانات بالا، عدم قطعیت و پیچیدگی ذاتی بازارهای مالی، به‌ویژه در اقتصادهای نوظهوری همچون ایران، از چالش‌های اساسی در مدیریت سرمایه‌گذاری و ارزیابی ریسک به‌شمار می‌آید. طی سال‌های اخیر، پیشرفت‌های قابل‌توجهی در حوزه هوش مصنوعی و یادگیری عمیق موجب تحول در مدل‌سازی و پیش‌بینی متغیرهای مالی شده است. در این مقاله، با رویکردی مروری، پژوهش‌های مرتبط با کاربرد شبکه‌های عصبی بازگشتی (rnn)، شبکه‌های حافظه بلندمدت (lstm)، شبکه‌های gru و مدل‌های هیبریدی مبتنی بر یادگیری عمیق در پیش‌بینی قیمت اختیار معامله بررسی و مقایسه شده‌اند. تمرکز مقاله بر مطالعات انجام‌شده در بازار سرمایه ایران است که به‌عنوان یکی از نمونه‌های شاخص اقتصادهای نوظهور، ویژگی‌هایی همچون نوسانات شدید، نقدشوندگی محدود و رفتار غیرخطی قیمت‌ها را داراست. نتایج مرور ادبیات نشان می‌دهد که مدل‌های یادگیری عمیق، به‌ویژه lstm و ساختارهای ترکیبی آن، در شناسایی الگوهای زمانی و غیرخطی بازار اختیار معامله عملکرد به‌مراتب دقیق‌تر و پایدارتر از روش‌های کلاسیک دارند. همچنین به چالش‌های موجود در زمینه دسترسی به داده‌های واقعی، تنظیم پارامترهای مدل و انتقال‌پذیری نتایج بین بازارهای مختلف اشاره شده است. یافته‌های این مرور می‌تواند به‌عنوان مبنایی برای توسعه چارچوب‌های هوشمند قیمت‌گذاری و طراحی ابزارهای مالی نوین در بازار سرمایه ایران مورد استفاده قرار گیرد.