پیش بینی شاخص روزانه بورس اوراق بهادار تهران با استفاده از انتخاب ویژگی های مناسب برای شبکه عصبی حافظه کوتاه مدت ماندگار
محورهای موضوعی : بورس اوراق بهادار
سمیه محبی
1
,
محمداسماعیل فدائی نژاد
2
,
محمد اصولیان
3
,
محمد رضا حمیدی زاده
4
1 - دانشجوی دکتری رشته مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید یهشتی، تهران، ایران .
2 - دانشیار گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید یهشتی تهران، ایران.
3 - استادیار گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
4 - استاد گروه مدیریت بازرگانی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
کلید واژه: "پیش بینی شاخص بورس", "انتخاب ویژگی", "یادگیری عمیق", "شبکه عصبی حافظه کوتاه مدت ماندگار",
چکیده مقاله :
شاخص بورس یکی از عوامل مؤثر در سرمایه گذاری محسوب می شود. زیرا می تواند نشان دهنده وضعیت سلامت و روند تغییرات کلان اقتصادی یک کشور باشد. ویژگیهای متنوعی بر شاخص تأثیر می گذارند. ترکیبهای مختلف این ویژگی ها، یک فضای حالت گسترده ایجاد می کنند. از این رو، فراهم کردن یک مجموعه داده شامل همه این ترکیبها برای آموزش مدل پیش بینی شاخص بورس، غیرعملی است. در این پژوهش تلاش شده است پس از جمع آوری تعداد قابل توجهی از ویژگیهای مؤثر بر شاخص، روشی برای انتخاب ویژگیهای مناسب مدل پیش بینی شاخص بورس با هدف افزایش دقت پیش بینی ارائه شود. بدین منظور، از الگوریتم mRMR به عنوان الگوریتم پایه استفاده شده است. همچنین برای انتخاب مدل مناسب، به مقایسه تعدادی از پرکاربردترین مدلهای هوش مصنوعی در پیش بینی شاخص بورس اقدام شد و با توجه به نتایج حاصل شده، شبکه LSTM برای پیش بینی شاخص بورس انتخاب گردید. نتایج این مطالعه نشان می دهد که با استفاده از شبکه LSTM و روش پیشنهادی در گزینش ویژگیها، می توان با 8 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت. بطوری که میانگین درصد خطا حدود 2.66 محاسبه شده است.
The stock market index is one of the effective features in investment because it can well reflect the health status and macro change trend of a country’s economic development. Various features affect the stock index. The various combinations of these features create a wide state space. Hence, it is impractical to provide a data set containing all these combinations to train the stock index prediction model. in this research, an attempt has been made, after collecting a significant number of effective features on the index, to provide a method for selecting appropriate features for the stock index prediction model with aim of increasing prediction accuracy. For this purpose, the mRMR algorithm is used as the basic algorithm. Also, to select the appropriate model, a number of the most applicable artificial intelligence models for predicting the stock index were compared and according to the results, the LSTM network was selected to predict the stock index. The results of this study show that using the LSTM network and the proposed method in selecting features, with 8 selected features, high accuracy can be achieved in the daily prediction of the Tehran Stock Exchange Index. So that MPE is calculated to be about 2.66,
_||_
