پیش بینی پذیری بورس اوراق بهادار تهران با استفاده از مدل های یادگیری عمیق (مدل هیبریدی CNN-LSTM)
محورهای موضوعی : مدیریت مالی
مهدی حیدرزاده
1
,
مژگان صفا
2
,
میرفیض فلاح شمس
3
,
حسین جهانگیرنیا
4
1 - دانشجو دکتری مدیریت مالی، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.
2 - استادیار گروه حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران، (نویسنده مسئول).
3 - دانشیار گروه مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
4 - استادیار گروه حسابداری، واحد قم دانشگاه آزاد اسلامی، قم، ایران.
کلید واژه: پیش بینی پذیری, مدل های یادگیری عمیق (Deep Learning), بورس اوراق بهادار تهران.,
چکیده مقاله :
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 مدل¬های یادگیری عمیق مبتنی بر شبکه¬های LSTM و CNN حرکت شاخص بورس اوراق بهادار تهران پیش¬بینی می¬گردد. 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 شده¬است. نتایج برآورد مدل¬ها در پیش¬بینی 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 می¬باشد. مدل LSTM در رتبه بعدی دقت و کارایی پیش¬بینی قرار می گیرد. با توجه به نتایج ارایه شده در این تحقیق، به فعالین بازارهای مالی در ایران پیشنهاد می¬گردد مدل های تلفیقی یادگیری عمیق را به منظور افزایش کارایی و دقت پیش¬بینی های خود مورد توجه قرار دهند.
Deep learning is a subset of the broader class of neural network based machine learning methods that has recently gained much attention in many fields, including time series prediction in financial markets. In this research, first, using deep learning models based on LSTM and CNN networks, the movement of Tehran Stock Exchange index is predicted. Then, by combining the two models, the hybrid CNN-LSTM deep learning model is used to predict the Tehran Stock Exchange index. In the next step, in order to evaluate the performance of the aforementioned forecasting models, three performance measures symmetric mean absolute error percentage (SMAPE), mean absolute error percentage (MAPE) and root mean square error (RMSE) were used. In this research, the daily data of the Tehran Stock Exchange Index was used in the period of 2016-07-13 until 2021-01-26. The estimation results of the models in predicting the Tehran Stock Exchange index with a one day step and comparing the efficiency measurement criteria indicate the superiority of the proposed CNN-LSTM model compared to the other two models. The LSTM model ranks next in accuracy and forecasting efficiency. According to the results that be presented in this research, financial market participants in Iran are suggested to pay attention to integrated deep learning models in order to increase the efficiency and accuracy of their predictions.
Adebiyi, A. A., Adewumi, A. O., & Ayo, C. K. (2014). Comparison of arima and artifi- cial neural networks models for stock price prediction. Journal of Applied Math- ematics, 2014.#
Andrew Ang & Geert Bekaert (2007). "Stock Return Predictability: Is it There?" Review of Financial Studies, Society for Financial Studies, vol. 20(3), pages 651-707.#
Bollerslev, T., Marrone, J., Xu, L., & Zhou, H. (2014). Stock return predictability and variance risk premia: Statistical inference and international evidence. Journal of Financial and Quantitative Analysis, 49 (03), 633–661.#
Christopher Krauss; Xuan Anh Do and Nicolas Huck, (2017), Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500, European Journal of Operational Research, 259, (2), 689-702.#
Gonçalves, R., Miguel,R. V, Pereira. F., Rocha. A., (2019). Deep learning in exchange markets. Information Economics and Policy.#
Kara, Y. and O. Baykan (2011). “Predicting Direction of Stock Price Index Changes Using Artificial Neural Networks and Support Vector Machines: The Sample of the Istanbul Stock Exchange”, Expert Systems with Applications, Vol. 36, No. 2, pp. 3355-3366.#
Krauss, C., Do, X. A., Huck, N. (2017). Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500. European Journal of Operational Research 259(2), 689–702.#
R.C. Cavalcante, R.C. Brasileiro, V.L.F. Souza, J.P. Nobrega, A.L.I. Oliveira, (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions, Expert Systems with Applications, 55,194-211.#
Tipirisetty, Abhinav, "Stock Price Prediction using Deep Learning" (2018). Master's Projects. 636. DOI: https://doi.org/10.31979/etd.bzmm-36m7.#
Tipirisetty, Abhinav, (2018). Stock Price Prediction using Deep Learning, Master's Projects. 636.#
Vadiei, Mohammad Hossein, & Hosseini, Seyyed Mohammad. (2012). The relationship between performance evaluation criteria and abnormal stock return. journal of empirical research in accounting, 1(4), 73-87. #
W. Long, Z. Lu and L. Cui, (2018). Deep learning-based feature engineering for stock price movement prediction, Knowledge-Based Systems .#
Yan, L.; Zhang, H. T.; Goncalves, J.; Xiao, Y.; Wang, M. et al. (2020): A machine learning-based model for survival prediction in patients with severe COVID-19 infection. MedRxiv: 2020.2002.2027.20028027#
Yang Liu, (2019). Novel Volatility Forecasting Using Deep Learning – Long Short Term Memory Recurrent Neural Networks, Expert Systems with Applications.#