پیش بینی سهام بورس ایران با استفاده از شبکه LSTM و الگوریتم DTW

Abbas Zare ¹ ( گروه مهندسی کامپیوتر، واحد مرودشت ،دانشگاه آزاد اسلامی ، مرودشت، ایران )
زهرا رضایی ² ( گروه مهندسی کامپیوتر، واحد مرودشت ،دانشگاه آزاد اسلامی ، مرودشت، ایران )

تاريخ الإرسال : 02 الثلاثاء , صفر, 1446 تاريخ التأكيد : 10 الأربعاء , جمادى الثانية, 1446

الکلمات المفتاحية: بازار سهام, شبکه LSTM, پیش‌بینی, طبقه‌بندی, پارامترهای شبکه عصبی بازگشتی, تابع فعالسازی,

ملخص المقالة :

در این تحقیق، با استفاده از شبکه LSTM ، به بررسی و پیش‌بینی عملکرد سهام و شاخص بورس تهران پرداخته‌ایم .برای طبقه¬بندی داده¬ها، با مقایسه قیمت هر روز با روز قبل، در صورتی که قیمت، نسبت به روز قبل افزایش داشته و یا تغییر چندانی نداشته باشد کلاس (1) و در صورت کاهش قیمت، کلاس (1-) را در نظر گرفته می شود. برای مقایسه نتیجه پیش¬بینی شده با مقادیر واقعی از الگوریتم DTW استفاده شده است. با طبقه‌بندی دو کلاس و تنظیم پارامترهای شبکه LSTM، دقت مدل افزایش یافت. همچنین، حذف بخشی از نمودار صوری قیمت - که تحت تاثیر هیجانات بازار رخ داده است- به عنوان outlier نقش مهمی در پیش‌بینی و دقت مدل داشت.

المصادر:

1. Yu, P. and X. Yan, Stock price prediction based on deep neural networks. Neural Computing and Applications, 2020. 32(6): p. 1609-1628.
2. Vismayaa, V., et al., Classifier based stock trading recommender systems for Indian stocks: An empirical evaluation. Computational Economics, 2020. 55(3): p. 901-923.
3. Nair, B.B., et al., A stock trading recommender system based on temporal association rule mining. SAGE Open, 2015. 5(2): p. 2158244015579941.
4. Möws, B., Deep Learning for Stock Market Prediction: Exploiting Time-Shifted Correlations of Stock Price Gradients. 2016.
5. Bohn, T.A., Improving long term stock market prediction with text analysis. 2017.
6. De Rossi, G., J. Kolodziej, and G. Brar, A recommender system for active stock selection. Computational Management Science, 2019: p. 1-31.
7. Patel, J., et al., Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert systems with applications, 2015. 42(1): p. 259-268.
8. Janocha, K. and W.M. Czarnecki, On loss functions for deep neural networks in classification. arXiv preprint arXiv:1702.05659, 2017.
9. Bennett, K.P. and E. Parrado-Hernández, The interplay of optimization and machine learning research. The Journal of Machine Learning Research, 2006. 7: p. 1265-1281.
10. Nanopoulos, A., R. Alcock, and Y. Manolopoulos, Feature-based classification of time-series data. International Journal of Computer Research, 2001. 10(3): p. 49-61.
11. Hochreiter, S. and J. Schmidhuber, Long short-term memory. Neural Comput, 1997. 9(8): p. 1735-80.
12. Gers, F.A. and E. Schmidhuber, LSTM recurrent networks learn simple context-free and context-sensitive languages. IEEE Transactions on Neural Networks, 2001. 12(6): p. 1333-1340.
13. Graves, A. and A. Graves, Long short-term memory. Supervised sequence labelling with recurrent neural networks, 2012: p. 37-45.
14. Senin, P., Dynamic time warping algorithm review. Information and Computer Science Department University of Hawaii at Manoa Honolulu, USA, 2008. 855(1-23): p. 40.
15. Investments, H.A., Beating the Quants at Their Own Game. Seeking Alpha, 2021.