ارائه مدل عوامل تبیین کننده قیمت سهام با استفاده از الگوریتم یادگیری عمیق و مقایسه آن با شبکه عصبی
محورهای موضوعی : مهندسی مالی
مجتبی باوقارزعیمی
1
,
غلامرضا زمردیان
2
*
,
امیررضا کیقبادی
3
,
مهرزاد مینوئی
4
1 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: قیمت سهام, الگوریتم یادگیری, شبکه عصبی, ارائه مدل, بورس اوراق بهادار,
چکیده مقاله :
هدف از اين پژوهش ارائه مدل تبیین کننده قیمت سهام با استفاده از الگوریتم یادگیری عمیق و مقایسه آن با شبکه عصبی برای شركت هاي پذیرفته شده در بورس اوراق بهادار تهران مي¬باشد. در این پژوهش ابتداً از شبکه یادگیری عمیق برای پیش بینی قیمت سهام استفاده و تاثیر این مدل آزمایش و تحلیل شده سپس این مدل با شبکه عصبی مقایسه می شود. به منظور بررسی بیشتر قابلیت پیش بینی مدل و برای تحلیل مقایسه ای، داده های اصلی یک دقیقه ای به داده های پنج دقیقه ای و داده های ده دقیقه ای تبدیل می شوند. این پژوهش از نظر طبقه بندی بر مبنای هدف از نوع پژوهشات توسعه ای کاربردی است. براي آزمون سوالات پژوهش، داده¬هاي حسابداري بين سال هاي 1388 -1399 تهيه و متغیرهای ورودی برای مدل بر اساس آن محاسبه گرديد. در اين پژوهش از روش نمونه گیری حذف سیستماتیک استفاده شده است. بر اساس نتايج بدست آمده از این پژوهش مشخص شد که صحت پیش بینی در مدل یادگیری عمیق از برتری نسبی نسبت به مدل شبکه عصبی ساده برخوردار می باشد.
The purpose of this research is to provide a model explaining the stock price using deep learning algorithm and compare it with neural network for the companies accepted in Tehran Stock Exchange. In this research, firstly, the deep learning network is used to predict the stock price and the effect of this model is tested and analyzed, then this model is compared with the neural network. In order to further investigate the predictability of the model and for comparative analysis, the original one-minute data are converted into five-minute data and ten-minute data. This research is classified based on the purpose of applied development research.The study was applied-developmental research in terms of purpose. To test the research questions, accounting data were prepared from 2011 to 2020 and input variables were calculated based on it for the model. The method of systematic elimination sampling has been used in this study. Based on the results obtained from this research, it was found that the prediction accuracy in the deep learning model has a relative superiority over the simple neural network model.
1. احمدخان بیگی سهیل، عبدالوند ندا (1396)" پیش بینی قیمت سهام با رویکرد ترکیبی شبکه عصبی مصنوعی و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب"فصلنامه علمی و پژوهشی راهبرد مالی ، دوره 5، شماره 3 - شماره پیاپی 18 ، پیاپی 18، صفحه 27-73
2. اخگر محمد امید، امینی پیمان، مرادی آزاده (1400)" بررسی تاثیر عملکرد زیست‌محیطی بر ریسک سقوط قیمت سهام با تاکید بر ارتباطات سیاسی در بورس اوراق بهادار تهران" پژوهش های حسابداری مالی، انتشار آنلاین از تاریخ 02 شهریور.
3. حیدری زارع بهزاد ،کردلویی حمیدرضا(1389)" پیش بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی" سال:1389 | دوره:7 | شماره:17، صفحات :49-56
4. خسروی نژاد، علی اکبر؛ شعبانی صدرپیشه، مرجان،( 1393 )"ارزیابی خطی و غیر خطی در پیش بینی شاخص قیمت سهام در بورس اوراق بهادار تهران"، فصلنامه علوم اقتصادی، - . شماره 27 ، صص 64 – 51.
5. زین الدینی شبنم, کریمی محمدشریف, خانزادی آزاد(1399) " بررسی اثر تکانه های قیمت نفت برعملکرد بازار سهام ایران "نشریه اقتصاد مالي (اقتصاد مالي و توسعه)، دوره 14 , شماره 50 ; از صفحه 145 تا صفحه 169
6. شاکری، عباس. 1387. نظریه ها و سیاست های اقتصاد کلان، پارس نویسا.
7. عاملی احمد، رمضانی ملیحه(1394) " پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی " تحقیقات مدل سازی اقتصادی زمستان 1394 شماره 22، صص 22-25
8. عبدالملکی امیرحسین، حمیدیان، باغانی محسن علی(1399)" بررسی وجود ویژگی فراکتال در قیمت و بازده سهام شرکت‌های بورس اوراق بهادار تهران با استفاده از مدل غیر خطی ARIFM "فصلنامه مهندسی مالی و مدیریت اوراق بهادار ، دوره 11 ، شماره 44، صص 207-226
9. عرب صالحی مهدی، کمالی دهکردی علیرضا (1400) " بررسی مقایسه ای مدل های تنزیلی ارزشگذاری سهام در شرکت های پذیرفته شده در بورس اوراق بهادار تهران " فصلنامه علمی چشم انداز مدیریت ، دوره 11 ، شماره 33 ، صص12-32
10. فرازمند سجاد، اسدی غلامحسین، عبده تبریزی حسین، حمیدی زاده محمدرضا(1399) " بررسی رفتار توده‌وار قیمت سهام در بورس اوراق بهادار تهران " فصلنامه علمی و پژوهشی اقتصاد مقداری، پذیرفته شده انتشار آنلاین از تاریخ 12 اسفند.
11. کریمی دستگردی ، امین ، زمانی بروجنی ، فرساد (1398) ؛ مروری بر روش های یادگیری عمیق برای پیش بینی بازار های مالی ، کنگره ملی پژوهشات بنیادین در مهندسی کامپیوتر و فن آوری اطلاعات .
12. کیان ماوی ،رضا ،صیادی نیک ، کامران .(1392)، کاربرد الگوریتمهاي مختلف یادگیري درپیش بینی قیمت سهام با استفاده از شبکه عصبی، مجله مدیریت توسعه و تحول 75 تا 81
13. محمدی،محسن ؛ صدر ، ندا (1397) ، ارائه روشی جهت پیش بینی قیمت سهام بازار بورس با رویکرد یادگیری عمیق (مطالعه موردی: بازار بورس) ؛ پایان نامه کارشناسی ارشد رشته کامپیوتر ، دانشکده فنی مهندسی اشراق بجنورد
14. محمدی،محسن ؛ صدر ، ندا (1397) ، ارائه روشی جهت پیش بینی قیمت سهام بازار بورس با رویکرد یادگیری عمیق (مطالعه موردی: بازار بورس) ؛ پایان نامه کارشناسی ارشد رشته کامپیوتر ، دانشکده فنی مهندسی اشراق بجنورد
15. مهر آرا ، اسداله ؛ عطف ، زهرا و عسکری ، زهرا (1391) . تکنیک های داده کاوی در پیش بینی قیمت سهام بورس اوراق بهادار ، کنفرانس ملی حسابداری مدیریت مالی و سرمایه گذاری.
16. مومنی اکبر س، محمدی محمد(1400)"بررسی رابطه بین چسبندگی هزینه و ریسک سقوط قیمت سهام در شرکت های پذیرفته شده در سازمان بورس اوراق بهادار تهران" فصلنامه علمی تخصصی رویکردهای پژوهشی نوین در مدیریت و حسابداری, شماره(62),صص 73-90
17. میر هاشمی دهنوی، سید محمد(1394) "آثار نامتقارن شوک های قیمت نفت بر بازار سهام: مطالعه موردی کشورهای صادرکننده نفت" فصلنامه سیاست های مالی و اقتصادی 77، صص 11-711
18. نمازی، محمد؛ کیامهر، محمد مهدی(1386 )پیش بینی بازده روزانه سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی " پژوهشات مالی، ص 115-134.
19. Cha K H, Hadjiiski L M, Samala R K, et al. Bladder Cancer Segmentation in CT for Treatment Response Assessment: Application of Deep‐Learning Convolution NeuralNetwork Pilot Study[J]. Tomography A Journal for Imaging Research, 2016, 2(4):421‐429.
20. Chan, M.C., Wong, C.C., Lam, C.C., (2000), Financial time series forecasting by Neural Network using Conjugate Gradient Learning Algorithm and Multiple Linear Regression, Weight initialization, Department of computing,
21. Chih, M. H., (2011), a hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming, Expert Systems with Applications 38, 14026–14036
22. Das S P, Padhy S. A novel hybrid model using teachinglearningbased optimization and a support vector machine for commodity futures index forecasting[J]. International Journal of Machine Learning & Cybernetics, 2018, 9(1):97‐111
. 23. Göçken M, Özçalıcı, Mehmet, Boru A, et al. Integrating metaheuristics and Artificial Neural Networks for improved stock price prediction[J]. Expert Systems with Applications,2016,44(C):320‐331.
24. Jie W, Wang J. Forecasting stochastic neural network based on financial empirical mode decomposition[J]. Neural Networks, 2017, 90:8‐20
. 25. Kim, K. J., Han, I., (2000), Genetic algorithms approach to feature discrimination in artificial neural networks for the prediction of stock price index, Published by Elsevier science, Ltd, Expert systems with applications, 19, PP. 125 132
. 26. Lahmiri S. A Technical Analysis Information Fusion Approach for Stock Price Analysis and Modeling[J]. Fluctuation & Noise Letters, 2018, 17(1):1850007
27. Mahmud M, Kaiser M S, Hussain A, et al. Applications of Deep Learning and Reinforcement Learning to Biological Data. [J]. IEEE Transactions on Neural Networks & Learning Systems, 2017, 29(6):2063‐2079
. 28. Meihua Xie, Haiyan Li, Yuanjun Zhao.(2020). Blockchain financial investment based on deep learning
network algorithm،Journal of Computational and Applied Mathematics,vol(372) 29. Oh, K. J., Kim, K. J., (2002), Analyzing stock market tick data using piecewise nonlinear model, Expert System with Applications, 22(3), 249–255
30. Pang X, Zhou Y, Pan W, et al. An innovative neural network approach for stock market prediction[J]. Journal of Supercomputing, 2018(1):1‐21
. 31. Sato M, Horie K, Hara A, et al. Application of deep learning to the classification of images from colposcopy: [J]. Oncology Letters, 2018, 15(3):3518‐3523
. 32. SongW, Song W,Song W,etal.A Double‐Layer Neural Network Framework for High‐Frequency Forecasting[J]. Acm Transactions on Management Information Systems, 2017, 7(4):1‐17
33. Ubbens J, Cieslak M, Prusinkiewicz P, et al. The use of plant models in deep learning: an application to leaf counting in rosette plants: [J]. Plant Methods, 2018, 14(1):6
. 34. Zhang, G.P., (2001), Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model Neuro computing, Unpublished Press