فهرست نشریات علمی دسترسی آزاد ایران

غیرخطی بودن و نوسانات بالای سری‌های زمانی مالی، پیش‌بینی قیمت سهام را دشوار کرده است. هرچند با پیشرفت‌های اخیر در حوزه یادگیری عمیق و استفاده از مدل‌های شبکه‌های عصبی مانند RNN ، LSTM و GRU ، بهبودهای قابل توجهی در تحلیل این نوع داده‌ها به وجود آمده است، اما سیستم‌های مالی پیچیده و پویا به راحتی تحت تأثیر نویز قرار می‌گیرند. وجود نویز در سری‌های زمانی باعث می‌شود که مدل‌های یادگیری عمیق به سختی بتوانند الگوها و ویژگی‌های پنهان سری‌های زمانی را استخراج کنند و در نتیجه، توانایی یادگیری و دقت پیش‌بینی مدل‌های یادگیری عمیق کاهش می‌یابد . تحقیقات نشان داده است که روش تجزیه کامل به مجموعه مؤلفه‌های مود تجربی ( CEEMD ) ممکن است در تجزیه و تحلیل سری‌های زمانی مالی مؤثر باشد. پژوهش حاضر به دنبال طراحی یک مدل بر اساس تجزیه سری‌های زمانی برای پیش‌بینی یک روز آینده است. در این راستا، این پژوهش در چهار ساختار، مدل CEEMD را با مدل‌های یادگیری عمیق مانند RNN ، LSTM و GRU و مدل آماری ARMA ترکیب کرده است. برای ارزیابی مدل‌ها از داده شاخص کل و داده‌های قیمت سهام 34 شرکت فعال‌تر بورس تهران مربوط به بازه زمانی فروردین 1396 تا فروردین 1401 استفاده شده است. نتایج این پژوهش نشان می‌دهد که تجزیه داده‌های خام می‌تواند فرآیند استخراج ویژگی‌ها و الگوها را برای یادگیری ماشین تسهیل نماید. به علاوه، مدل CEEMD-ARMA-LSTM نسبت به مدل‌های ترکیب نشده دقت پیش‌بینی را 3 درصد افزایش داده است.