امروزه انواع مدلهای هوش مصنوعی جایگاه خود را در محاسبات و پیشبینیهای بازارهای مالی تثبیت کردهاند؛ در این میان معماریهای مبتنی بر یادگیری عمیق که خود براساس الگوریتمهای یادگیری ماشینی میباشند، از طریق رفع ضعفهای مدلهای سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای چکیده کامل
امروزه انواع مدلهای هوش مصنوعی جایگاه خود را در محاسبات و پیشبینیهای بازارهای مالی تثبیت کردهاند؛ در این میان معماریهای مبتنی بر یادگیری عمیق که خود براساس الگوریتمهای یادگیری ماشینی میباشند، از طریق رفع ضعفهای مدلهای سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفتهاند. مهمترین مزیت الگوریتمهای یادگیری عمیق نسبت به مدلهای سنتی شبکه عصبی، استخراج خودکار ویژگیهای مناسب از ورودیهای خام می-باشد که از آن برای روند یادگیری مدل استفاده میکند؛ به عبارتی الگوریتمهای این روش از چندین لایهی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره میبرند تا بهترین ویژگیهای مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماریهای الگوریتم حافظه کوتاهمدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقهبندی عوامل موثر بر قیمت سهام، مولفههای نشاندهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه دادههای قیمتی، شاخصهای تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد.
پرونده مقاله