Today, increased level of customer awareness caused themto access to the other suppliers easily and they can get their servicesfrom the competitors with similar or even better quality and same price.Therefore, focusing on customers and preventing them to leave, has beenthe most important strategy for any company. Researches have shownthat retaining former customers is cheaper than attracting new ones. Inthe proposed model in this article we first identified important factorscausing customers in insurance industry, to have a specific behavior byusing a k-means clustering algorithm, and then we tried to predict thefuture behavior of them by a logistic regression. Our model accuracy is98%. Manuscript profile

یافتن راهکار‌هایی برای پیش‌بینی قیمت، تشکیل سبد سهام بهینه و دستیابی به سود بیشتر از اهداف اساسی فعالان بازار‌های مالی می‌باشد. هدف از این پژوهش پیش‌بینی قیمت دارایی‌های مالی نظیر چندین سهام بورس، طلا، سکه و تعدادی از ارزهای دیجیتال با استفاده از مدل شبکه عصبی LSTM و سپس تشکیل سبد سهام بهینه با محاسبه میزان بازده، ریسک و معیار شارپ است. داده‌های استفاده شده از آرشیو وب‌سایت بورس و اوراق بهادار تهران، وب‌سایت شبکه اطلاع‌رسانی طلا، سکه و ارز و همچنین وب‌سایت خرید و فروش ارزهای دیجیتال می‌باشد. سری زمانی قیمت دارایی‌های مورد بررسی طی سال‌های 2017 تا 2020 میلادی است. همچنین برای ساخت مدل و تحلیل داده‌ها از زبان برنامه‌نویسی پایتون و نرم‌افزار گفی استفاده نمودیم. در پایان مشخص گردید که مدل شبکه عصبی LSTM قادر به پیش‌بینی قیمت دارایی‌های مالی با میزان خطای بسیار کم در هر دارایی می‌باشد و با توجه به میزان معیار شارپ به‌دست آمده برای هر دارایی مالی و ماتریس همبستگی، سهام‌ وبانک و سهام خبهمن 1 و همچنین ارز‌های دیجیتال ترون، تتر و بیت‌کوین سهم بیشتری را در سبد سهام پیشنهادی به خود تخصیص می‌دهند. Manuscript profile