ارائه مدل ترکیبی برای پیش بینی جهت حرکت قیمت سهام با استفاده از شبکه عصبی LSTM با شاخص های تکنیکال و اقتصاد کلان در بورس اوراق بهادار تهران
محورهای موضوعی : مهندسی مالی
رضا تهرانی
1
,
سعید فلاح پور
2
,
سید مرتضی جعفری
3
*
1 - استاد، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
2 - دانشیار، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
3 - دانشجوی دکتری ،گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
کلید واژه: پیش‌بینی جهت حرکت قیمت سهام, , شبکه عصبی مصنوعی LSTM,
چکیده مقاله :
هدف از انجام این پژوهش بررسی دقت پیش‌بینی جهت حرکت قیمت سهام با استفاده از شبکه عصبی LSTM با شاخص‌های تکنیکال و اقتصادکلان است. براي رسیدن به این هدف، در گام نخست داده‌های قیمت سهام در دوره 1396 تا 1402 استخراج می‌شود. در گام بعدي، 4 مدل از شبکه عصبی مصنوعی LSTM به پیش‌بینی جهت حرکت قیمت می‌پردازند و در نهایت با یکدیگر مقایسه می‌شوند؛ مدل LSTM با شاخص‌های تکنیکال، مدل LSTM با شاخص‌های اقتصادکلان، مدل ترکیبی تکنیکال و اقتصادکلان و مدل پیشنهادی ما که ویژگی‌های دو LSTM تکنیکال و اقتصادکلان را در یک مدل ترکیب نمی‌کند در عوض، یک مکانیسم تصمیم گیری مبتنی بر قانون را پیشنهاد می کند که به عنوان نوعی پس پردازش عمل می کند و از آن برای ترکیب نتایج خطوط پایه در یک تصمیم نهایی استفاده می شود. بدین منظور، از 80 درصد کل داده‌ها به عنوان دوره یادگیري ماشین (درون‌نمونه) و مابقی داده‌ها به عنوان دوره آزمون (خارج از نمونه) استفاده شده است. نتایج پیش‌بینی 1، 3 و 5 روزه براي دوره آزمون (خارج از نمونه) نشان می‌دهد که مدل پیشنهادی از سایر مدل‌ها عملکرد بهتری دارد و دقت سود بالای 50 درصد کسب می‌کند.
The purpose of this research is to check the accuracy of forecasting the direction of stock price movement using LSTM neural network with technical and macroeconomic indicators. To achieve this goal, in the first step, stock price data is extracted in the period from 2017 to 2023. In a step, 4 models of LSTM artificial neural network predict the direction of price movement and are finally compared. LSTM model with technical indicators, LSTM model with macroeconomic indicators, combined technical and macroeconomic model, and our proposed model which does not combine the features of two LSTM technical and macroeconomic in one model, instead, it proposes a decision making mechanism based on the law, which is proposed Gives. It acts as a processing and is used to combine the basic results into a final decision. For this purpose, 80% of the totals have been used as the machine learning period (in-sample) and the rest of the data as the test period (out-of-sample). The 1, 3, and 5-day forecast results for the test period (out of sample) show that the proposed model has better performance than other models and an accuracy of over 50%.
1. بهشتی مسئله گو, سیده مژگان, افشارکاظمی, حقیقت منفرد, & رضاییان. (1402). یادگیری عمیق برای پیش‌بینی بازار سهام با استفاده از اطلاعات عددی و متنی (رویکرد الگوریتم حافظه کوتاه مدت ماندگارLSTM). مهندسی مالی و مدیریت اوراق بهادار, 14(55).
2. باباجانی, جعفر, تقوا, بولو, قاسم, & عبدالهی. (1398). مقاله پژوهشی: پیش بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی. راهبرد مدیریت مالی, 7(2), 195-228.
3. ذوقی, سهیل, راعی, & فلاحپور. (1401). ارائه مدل پیش‌بینی‌گر جهت بازار در معاملات آتی سکه طلای بورس کالای ایران با استفاده از الگوریتم حافظه طولانی کوتاه مدت (LSTM). مهندسی مالی و مدیریت اوراق بهادار, 53(13), 34-53.
4. باجلان، سعید؛ فلاحپور، سعید؛دانا، ناهید. (1395). "پیش‌بینی روند تغییرات قیمت سهام با استفاده از ماشین بردارپشتیبان وزن‌دهی شده و انتخاب ویژگی هیبرید به منظور ارائه استراتژي معاملاتی بهینه"، راهبرد مدیریت مالی، 4(3)،121-148
5. راعی،رضا؛نیک‌عهد،علی؛حبیبی،مصطفی.(1395)."پیش‌بینی‌شاخص بورس اوراق بهادار تهران با ترکیب روش‌هاي آنالیزمؤلفه هاي اصلی،رگرسیون بردارپشتیبان وحرکت تجمعی ذرات"، راهبرد مدیریت مالی، 4(4).23-1
6. سعیدی پرویز, & پقه عیسی. (2011). بررسی رابطه بین تغییرات نرخ بهره با، بازده و سودآوری موسسات مالی در بورس اوراق بهادار تهران.
7. نگویین و همکاران (2020). عوامل تعیین کننده سودآوری در شرکت های فهرست شده: مطالعه ای از بورس اوراق بهادار ویتنامی مجله مالی آسیایی، اقتصاد و تجارت، 7 (1)، 47-58.
8. هربی و همکاران (2020، اکتبر). پیش‌بینی قیمت سهام مبتنی بر یادگیری عمیق با استفاده از مدل LSTM و دو جهته LSTM. در سال 2020 دومین کنفرانس علوم نوظهور هوشمند و پیشرو (NILES) (ص. 87-92). IEEE.
9. لی و همکاران (2020). نقش احساسات سرمایه گذار استخراج شده از متن در پیش بینی قیمت سهام چین با افزایش یادگیری عمیق مجله بین المللی پیش بینی، 36 (4)، 1541-1562
10. مگلوری و همکاران (2020). یک پیش‌بینی کارآمد روند بازار سهام با استفاده از داده‌های فنی سهام در زمان واقعی و داده‌های رسانه اجتماعی سهام. مجله بین‌المللی مهندسی و سیستم‌های هوشمند، 13(4).
11. کیم و همکاران (2018). پیش بینی نوسانات شاخص قیمت سهام: یک مدل ترکیبی که LSTM را با چندین مدل از نوع GARCH ادغام می کند. سیستم های خبره با برنامه های کاربردی، 103، 25-37
12. ژائو و همکاران (2021). پیش بینی سهام بر اساس مدل های بهینه سازی شده LSTM و GRU. برنامه نویسی علمی، 2021، 1-8
13. لیم و همکاران (2021). عوامل موثر بر سودآوری شرکت داروسازی: شواهد اندونزیایی مجله مطالعات اقتصادی، 48(5)، 981-995
14. آشتا و هرمن (2021). هوش مصنوعی و فین‌تک: مروری بر فرصت‌ها و ریسک‌ها برای بانکداری، سرمایه‌گذاری و تامین مالی خرد. تغییر استراتژیک، 30(3)، 211-222
15. میلانا و آشتا (2021). تکنیک‌های هوش مصنوعی در بازارهای مالی و مالی: بررسی ادبیات تغییر استراتژیک، 30(3)، 189-209
16. مهتاب، س.، و سن، ج. (2020، نوامبر). پیش‌بینی قیمت سهام با استفاده از مدلهای یادگیری عمیق مبتنی بر CNN و LSTM. در سال 2020 کنفرانس بین المللی علوم کمک تصمیم و کاربرد (DASA) (ص 447-453). IEEE.
17. وتنگ و همکاران(2022). بهینه سازی خرگوش های مصنوعی: یک الگوریتم فراابتکاری جدید با الهام از زیستی برای حل مسائل بهینه سازی مهندسی کاربردهای مهندسی هوش مصنوعی، 114، 105082.
18. آلتای و ساتمن (2005). پیش بینی بازار سهام: شبکه عصبی مصنوعی و مقایسه رگرسیون خطی در یک بازار در حال ظهور مجله مدیریت و تحلیل مالی، 18(2)، 18.
19. یلدرم و همکاران (2021). پیش بینی حرکت جهت داده های فارکس با استفاده از LSTM با شاخص های فنی و کلان اقتصادی. نوآوری مالی، 7، 1-36.
20. اوزورهان و همکاران (2017). پیش بینی جهت نوسانات نرخ ارز با الگوهای دو بعدی و قدرت ارز
21. نلسون، دی. ام.، پریرا، ای. سی.، و دی اولیویرا، آر. ا. (2017، مه). پیش بینی حرکت قیمت بورس با شبکه های عصبی LSTM. در سال 2017 کنفرانس مشترک بین المللی در مورد شبکه های عصبی (IJCNN) (صص 1419-1426).
1. Beheshti, Mozhgan, Afshar, Kazemi, Manfared, & Rezaian. (1402). Deep Learning for Stock Market Forecasting Using Numerical and Textual Information (LSTM Long-Term Memory Algorithm Approach). Financial Engineering and Securities Management, 14(55).
2. Babajani, Jafar, Tagva, Bulu, Ghasem, & Abdollahi. (2019). Research paper: Stock Price Forecasting in Tehran Stock Exchange Using Recurrent Neural Network Optimized with Artificial Bee Colony Algorithm. Financial Management Strategy, 7(2), 195-228.
3. Zoghi, Soheil, Raei, & Fallahpour. (1401). Presenting a Market Direction Predictor Model in Gold Coin Futures Trading on Iran Commodity Exchange Using Long Short-Term Memory (LSTM) Algorithm. Financial Engineering and Securities Management, 53(13), 34-53.
4. Bajlan, Saeed; Fallahpour, Saeed; Dana, Nahid. (2016). "Predicting Stock Price Trends Using Weighted Support Vector Machines and Hybrid Feature Selection to Provide an Optimal Trading Strategy", Financial Management Strategy, 4(3), 121-148
5. Raei, Reza; Nik-e-Ahd, Ali; Habibi, Mostafa. (2016). "Predicting Tehran Stock Exchange Index by Combining Principal Component Analysis, Support Vector Regression and Cumulative Particle Scatterplot Methods", Financial Management Strategy, 4(4). 1-23
6. Saeedi Parviz, & Pegheh Isa. (2011). Investigating the Relationship Between Interest Rate Changes with, Return and Profitability of Financial Institutions in Tehran Stock Exchange.
7. Ngovin et al. (2020). Determinants of Profitability in Listed Companies: A Study of the Vietnamese Stock Exchange Asian Journal of Finance, Economics and Business, 7(1), 47-58.
8. Herbie et al. (2020, October). Deep Learning-Based Stock Price Forecasting Using LSTM and Bidirectional LSTM Model. In 2020 Second Conference on Intelligent and Leading Emerging Sciences (NILES) (pp. 87-92). IEEE.
9. Li et al. (2020). The Role of Text-Extracted Investor Sentiment in China Stock Price Forecasting with Deep Learning Augmentation International Journal of Forecasting, 36(4), 1541-1562
10. Maglory et al. (2020). An Efficient Stock Market Trend Forecasting Using Real-Time Stock Technical Data and Stock Social Media Data. International Journal of Engineering and Intelligent Systems, 13(4).
11. Kim et al. (2018). Forecasting stock price index volatility: A hybrid model integrating LSTM with multiple GARCH-type models. Expert Systems with Applications, 103, 25-37
12. Zhao et al. (2021). Stock forecasting based on optimized LSTM and GRU models. Scientific Programming, 2021, 1-8
13. Lim et al. (2021). Factors affecting pharmaceutical company profitability: Indonesian evidence Journal of Economic Studies, 48(5), 981-995
14. Ashta and Herman (2021). Artificial intelligence and fintech: A review of opportunities and risks for banking, investment and microfinance. Strategic Change, 30(3), 211-222
15. Milana and Ashta (2021). Artificial Intelligence Techniques in Financial and Financial Markets: A Review of the Strategic Change Literature, 30(3), 189-209
16. Mahtab, S., & Sen, J. (2020, November). Stock Price Forecasting Using CNN and LSTM-Based Deep Learning Models. In 2020 International Conference on Decision Aid Science and Applications (DASA) (pp. 447-453). IEEE.
17. Wetang et al. (2022). Optimization of Artificial Rabbits: A Novel Bio-Inspired Metaheuristic Algorithm for Solving Engineering Optimization Problems. Engineering Applications of Artificial Intelligence, 114, 105082.
18. Altay and Sutman (2005). Stock Market Forecasting: A Comparison of Artificial Neural Network and Linear Regression in an Emerging Market Journal of Financial Management and Analysis, 18(2), 18.
19. Yildirim et al. (2021). Forex Data Directional Prediction Using LSTM with Technical and Macroeconomic Indicators. Financial Innovation, 7, 1-36.
20. Ozorhan et al. (2017). Forecasting the Direction of Exchange Rate Fluctuations with Two-Dimensional Patterns and Currency Strength
21. Nelson, D. M., Pereira, A. C., & de Oliveira, R. A. (2017, May). Stock Price Movement Prediction with LSTM Neural Networks. In 2017 International Joint Conference on Neural Networks (IJCNN) (pp. 1419-1426).