پیش بینی پذیری بورس اوراق بهادار تهران با استفاده از مدل های یادگیری عمیق (مدل هیبریدی CNN-LSTM)
الموضوعات :
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.
الکلمات المفتاحية: پیش بینی پذیری, مدل های یادگیری عمیق (Deep Learning), بورس اوراق بهادار تهران.,
ملخص المقالة :
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.
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.#
