ارائه مدلی برای پیش‌بینی قیمت سهام مبتنی بر شبکۀ عصبی پیچشی و شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار

شایگانی, مصطفی; نوربخش, عسگر

doi:10.22059/frj.2025.369854.1007546

	ارائه مدلی برای پیش‌بینی قیمت سهام مبتنی بر شبکۀ عصبی پیچشی و شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار
تحقیقات مالی
دوره 28، شماره 3، 1405، صفحه 693-715 اصل مقاله (846.66 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/frj.2025.369854.1007546
نویسندگان
مصطفی شایگانی¹؛ عسگر نوربخش^* ²
¹کارشناس ارشد، گروه مدیریت مالی، دانشکدۀ مدیریت و حسابداری، دانشکدگان فارابی، دانشگاه تهران، قم، ایران.
²استادیار، گروه مدیریت مالی، دانشکدۀ مدیریت و حسابداری، دانشکدگان فارابی، دانشگاه تهران، قم، ایران.
چکیده
هدف: در دهه‌های اخیر، پیش‌بینی قیمت سهام به‌عنوان یکی از چالش‌های مهم در حوزه مالی مورد توجه قرار گرفته است. از آنجا که قیمت سهام تحت‌تأثیر عوامل گوناگونی از جمله شرایط اقتصادی، اخبار رویدادها و تغییرات در بازار قرار می‌گیرد، توسعۀ مدل‌های دقیق و پیشرفته برای پیش‌بینی آن از اهمیت ویژه‌ای برخوردار است. در این پژوهش برای پیش‌بینی قیمت سهام از مدل‌های یادگیری عمیق استفاده شده است. روش: این پژوهش از منظر هدف، کاربردی و از نظر نوع داده‌ها، کمّی است. تمرکز اصلی در این پژوهش، روی مدل‌های یادگیری است. داده‌های پژوهش در بازۀ زمانی سال‌های ۱۳۸۰ تا ۱۴۰۰ (در مجموع ۲۱ سال) جمع‌آوری شده است. پالایش اولیۀ داده‌ها با استفاده از نرم‌افزار اکسل صورت پذیرفته است. در ادامه، برای پیش‌پردازش داده‌ها، از توزیع‌کنندۀ آناکوندا و مفسر ژوپیتر نوت بوک استفاده شده است. برای تحلیل و پیش‌پردازش داده‌ها، از کتابخانه‌های Pandas، Numpy وscikit-learn و برای نمایش داده‌ها، از کتابخانۀ Matplotlib و برای پیش‌بینی قیمت، از کتابخانه‌های keras و Tensorflow استفاده شده است. در این پژوهش از دو مدل به‌صورت مستقل و یک مدل ترکیبی برای پیش‌بینی قیمت بهره برده شده است. مدل‌های مستقل از سه لایه تشکیل شده‌اند و عبارت‌اند از: مدل شبکۀ عصبی پیچشی و مدل شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار. مدل ترکیبی نیز از چهار لایه تشکیل شده؛ یعنی برای استخراج ویژگی‌ها، از شبکۀ عصبی پیچشی و برای پیش‌بینی داده‌ها، از شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار استفاده شده است. مراحل انجام پژوهش به این صورت بوده است که ابتدا داده‌ها وارد نرم‌افزار شده، سپس در مقیاس داده‌ها تغییر ایجاد شد. در ادامه، داده‌ها به دو دسته آموزش و آزمون تقسیم شدند؛ به‌گونه‌ای که ۸۰ درصد داده‌ها برای آموزش مدل و مابقی برای آزمون استفاده شدند. در نهایت، داده‌ها از حالت سری زمانی به‌صورت نظارت شده تبدیل و وارد مدل شدند. برای ارزیابی مدل‌ها، از سه معیار ارزیابی که شامل ضریب تعیین، خطای میانگین مطلق و ریشه میانگین مربعات خطا استفاده شد. یافته‌ها: نتایج به‌دست‌آمده از معیارهای ارزیابی، نشان می‌دهد که مدل ترکیبی و مدل شبکۀ عصبی پیچشی نتایج قابل قبولی دارند؛ اما نتایج حاصل از مدل شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار، مطلوب نیست. این نتایج نشان می‌دهد که علاوه‌بر انتخاب صحیح متغیرهای مستقل و همچنین، تعریف و پیکربندی درست مدل که برای مدل‌های یادگیری عمیق بسیار لازم است، استخراج ویژگی‌ها، تأثیر بسزایی در پیش‌بینی مدل دارد؛ زیرا نتایج نشان می‌دهد که مدل شبکۀ عصبی پیچشی، نسبت به مدل شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار عملکرد بهتری دارد، در حالی که مدل‌های بازگشتی مانند شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار، اغلب نتایج مطلوبی در پیش‌بینی سری‌های زمانی از خود نشان داده‌اند. در نهایت، نتایج نشان می‌دهد که ترکیب این دو مدل عملکرد بهتری نسبت هر یک از مدل‌ها دارد. نتیجه‌گیری: وجود عواملی مانند دامنۀ نوسان در دقت مدل‌ها اثرگذاری زیادی دارند و اریب مدل را افزایش می‌دهند؛ اما در این پژوهش که از متغیرهای فنی استفاده شده است، نتایج پژوهش نشان می‌دهد که برای رسیدن به نتایج مطلوب، علاوه‌بر انتخاب نوع شبکۀ عصبی، تعداد لایه‌های هر مدل نیز در نتایج مؤثر است؛ زیرا مدل‌های بسیار ساده یا بسیار پیچیده، باعث ایجاد مشکلاتی اعم از کم برازش یا بیش برازش خواهد شد. همچنین انتخاب ویژگی‌ها (متغیرهای مستقل) نیز اثر شایان توجهی در نتایج خواهد داشت.
کلیدواژه‌ها
پیش‌بینی قیمت سهام؛ شبکۀ عصبی پیچشی؛ شبکۀ عصبی حافظۀ کوتاه‌مدت ماندگار؛ شبکۀ عصبی مصنوعی
مراجع

آمار تعداد مشاهده مقاله: 95 تعداد دریافت فایل اصل مقاله: 71