مقایسه مدل‌های مختلف یادگیری ماشین در پیش‌بینی شاخص بازار سهام

محورهای موضوعی : بورس اوراق بهادار

مریم سهرابی ¹ ( گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران )
سید مظفر میربرگ کار ² ( گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران )
ابراهیم چیرانی ³ ( گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران )
سینا خردیار ⁴ ( گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران )

تاریخ دریافت : 1400/09/01 تاریخ پذیرش : 1401/09/06 تاریخ انتشار : 1402/07/01

کلید واژه: پیش بینی, بازار سهام, شبکه عصبی بازگشتی, یادگیری ماشین,

چکیده مقاله :

پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره‌‌گیری از مقایسه مدل‌های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش‌بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره‌های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت (LSTM) در مقایسه با سایر مدل‌های مورد بررسی نتیجه بهتری داشته است.

چکیده انگلیسی:

Predicting time series of financial markets is a challenging issue in the field of specialized studies of time series and has attracted the attention of many researchers. Due to the presence of big data, this issue has led to the growth of developments in the field of machine learning models. Due to the importance of this issue, in this study, by using the comparison of different machine learning models such as random forest approaches, support vector machine, artificial neural network and deep learning-based recurrent neural networks to investigate the ability of different machine learning models in prediction. The total index of Tehran Stock Exchange during the period 2013 to 2020 has been discussed. The prediction results of 1, 3 and 6 day courses for the out-of-sample period show that the machine learning method based on the long short-term memory (LSTM) network, a recurrent neural networks, has a better result compared to other models.