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.

تاریخ دریافت : 1402/11/25 تاریخ پذیرش : 1403/03/09 تاریخ انتشار : 1403/04/24

کلید واژه: پیش بینی پذیری, مدل های یادگیری عمیق (Deep Learning), بورس اوراق بهادار تهران,

چکیده مقاله :

هدف: این تحقیق با هدف پیش‌بینی حرکت شاخص بورس اوراق بهادار تهران با استفاده از مدل‌های یادگیری عمیق مبتنی بر شبکه‌های LSTM و CNN و ارائه یک مدل هیبریدی CNN-LSTM انجام شده است.

روش‌شناسی پژوهش: استفاده از مدل‌های یادگیری عمیق LSTM، CNN و مدل هیبریدی CNN-LSTM برای پیش‌بینی.استفاده از داده‌های روزانه شاخص بورس اوراق بهادار تهران در بازه زمانی 23/4/1395 تا 26/1/1400. ارزیابی عملکرد مدل‌ها با سه معیار سنجش کارایی SMAPE، MAPE و RMSE.

یافته‌ها: مدل هیبریدی CNN-LSTM بهترین عملکرد را در پیش‌بینی شاخص بورس اوراق بهادار تهران با گام یک‌روزه داشته است. مدل LSTM پس از مدل هیبریدی از نظر دقت و کارایی پیش‌بینی در رتبه دوم قرار می‌گیرد. استفاده از مدل‌های تلفیقی یادگیری عمیق موجب افزایش کارایی و دقت پیش‌بینی در بازارهای مالی ایران می‌شود.

اصالت / ارزش‌افزوده علمی: ارائه و ارزیابی مدل هیبریدی CNN-LSTM برای اولین بار در پیش‌بینی شاخص بورس اوراق بهادار تهران.تأکید بر کاربرد مدل‌های تلفیقی یادگیری عمیق به‌عنوان رویکردی نوین در بهبود پیش‌بینی بازارهای مالی ایران.

چکیده انگلیسی:

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.

منابع و مأخذ:

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.#