پیش بینی بازار سهام با استفاده از مدل ترکیبی شبکه عصبی LSTM
رضوان عباسی
1
(استادیار ،دانشکده مهندسی برق، پزشکی و مکاترونیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران)
طاهره رامه
2
(گروه فناوری اطلاعات،دانشکده مدیریت و حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران)
محمدرضا ثنایی
3
(گروه فناوری اطلاعات،دانشکده مدیریت و حسابداری، واحد قزوین، دانشگاه آزاد اسلامی قزوین، قزوین، ایران)
کلید واژه: LSTM, تعبیه متن, بازار بورس,
چکیده مقاله :
پیش بینی قیمت و بازده سهام یکی از پیچیده ترین و بحث برانگیزترین موضوعات در بازارهای مالی است که همواره مورد توجه سرمایه گذاران و سهامداران می‌باشد. بازار سهام در برابر عوامل مختلفی آسیب پذیر است که بر نوسانات قیمت در بازار بورس تأثیر می گذارد. توسعه یک الگوریتم قوی بازار سهام که بتواند رفتار سهام را به دقت پیش‌بینی کند، برای به حداکثر رساندن سود و به حداقل رساندن ضرر سرمایه‌گذار، مورد نیاز است. با توجه به اینکه علاوه بر تاریخچه هر سهم، عوامل روانی بازار نیز بر ارزش هر سهم تاثیر می گذارد، در این تحقیق یک مدل ترکیبی هوش مصنوعی بر اساس LSTM و تعبیه متن پیشنهاد می‌شود که هم بر سابقه بازار سهام در قالب داده‌های سری زمانی توجه دارد، و هم ویژگی‌های روانی بازار را از سایت‌های خبری استخراج می‌کند و آینده بازار سهام را پیش بینی می‌کند. نتایج ارزیابی‌ها نشان می‌دهد مدل پیشنهادی می‌تواند به خوبی آینده بازار را پیش‌بینی نماید و نسبت به روش‌های پروفت و آریما دارای میانگین مربعات خطای کمتری است.
چکیده انگلیسی :
Forecasting stock prices and returns is one of the most complex and controversial issues in financial markets, which is always the concern of investors and shareholders. The stock market is vulnerable to various factors that affect the price fluctuations in the stock market. The development of a robust stock market algorithm that can accurately predict stock behavior is needed to maximize profits and minimize investor losses. Considering that in addition to the history of each share, psychological factors of the market also affect the value of each share, in this research, a hybrid model of artificial intelligence based on LSTM and text embedding is proposed, which is based on the history of the stock market in the form of data. It pays attention to time series, and it extracts psychological characteristics of the market from news sites and predicts the future of the stock market. The results of the evaluations show that the proposed model can predict the future of the market well and has a lower RMSE than the PROFET and ARIMA methods.
