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. تفاصيل المقالة