فهرست نشریات علمی دسترسی آزاد ایران

هدف: پیش‌بینی آینده در حوزۀ سرمایه‌گذاری اهمیت زیادی دارد؛ زیرا به سرمایه‌گذاران کمک می‌کند تا تصمیم‌های بهتری اتخاذ کنند و ریسک‌های خود را کاهش دهند. در این راستا با بهبود قدرت مدل‌های پیش‌بینی، می‌توان به بازدهی‌های بهتری در بازار دست یافت. با این حال، پیش‌بینی بازار سهام به‌دلیل نوسان قیمت‌ها و عدم‌قطعیت، دغدغۀ بزرگی است. به‌طور کلی، پیش‌بینی دقیق حرکت سهام بسیار دشوار است و بسیاری از پژوهشگران به بررسی روش‌هایی می‌پردازند که فقط جهت حرکت سهام را پیش‌بینی می‌کنند. از جمله این روش‌ها، می‌توان به گشت تصادفی، پروبیت و لاجیت اشاره کرد. روش‌های جدیدتری مانند ماشین بردار پشتیبان، الگوریتم نزدیک‌ترین همسایگی و شبکۀ عصبی مصنوعی، برای بهبود پیش‌بینی آینده معرفی شده‌اند. به‌علت اهمیت پیش‌بینی روند بازارهای مالی برای پژوهشگران و سرمایه‌گذاران، این پژوهش با هدف پیش‌بینی روند شاخص کل بورس اوراق بهادار تهران با استفاده از یک شبکۀ عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه انجام شده است. هدف از اجرای این پژوهش، بررسی قدرت پیش‌بینی روش معرفی شده و مقایسۀ آن با روش‌های رقیب است.روش: در این پژوهش، از یک شبکۀ عصبی هیبریدی که شامل شبکۀ عصبی کانولوشن (CNN) برای استخراج ویژگی‌ها و سه شبکۀ عصبی حافظۀ طولانی ـ کوتاه‌مدت (LSTM) برای یادگیری وابستگی‌های زمانی است، استفاده شده است. داده‌های استفاده‌شده، مقادیر روزانۀ شاخص کل بورس اوراق بهادار تهران از سال ۱۳۷۷ تا ۱۴۰۱ بود که پس از جمع‌آوری و نرمال‌سازی، به دو بخش آموزش و اعتبارسنجی تقسیم شد. این شبکۀ عصبی هیبریدی با بهره‌گیری از ویژگی مقیاس زمانی چندگانه، تلاش می‌کند تا پیش‌بینی دقیقی از روند شاخص ارائه دهد. همچنین، از روش‌های مهندسی استخراج برای بهبود دقت این شبکه‌ها استفاده شده که عبارت است از: ترکیب شبکه‌های عصبی مختلف در یک شبکۀ جامع.یافته‌ها: نتایج این پژوهش نشان داد که مدل شبکۀ عصبی هیبریدی پیشنهادی که ترکیبی از شبکه‌های عصبی CNN و LSTM است، برای پیش‌بینی شاخص کل بورس اوراق بهادار تهران توانایی کافی را ندارد. دقت این مدل در مقیاس‌های زمانی هفتگی و ماهانه، کمتر از مدل‌های رقیب بود. در مقابل، مدل شبکۀ عصبی CNN که به‌عنوان یکی از مدل‌های رقیب بررسی شد، عملکرد بهتری داشت و توانست نتایج دقیق‌تری در پیش‌بینی شاخص کل بورس ارائه دهد. این نتایج با مطالعات قبلی که موفقیت مدل‌های هیبریدی در پیش‌بینی بازارهای مختلف را نشان داده بودند، در تضاد است.نتیجه‌گیری: مدل شبکۀ عصبی هیبریدی پیشنهادی نتوانست شاخص کل بورس اوراق بهادار تهران را به‌درستی پیش‌بینی کند؛ در حالی که مدل CNN به تنهایی نتایج بهتری ارائه داد. این یافته‌ها نشان می‌دهد که شبکه‌های عصبی ساده‌تر، مانند CNN، ممکن است در مواردی عملکرد بهتری داشته باشند. برای پژوهش‌های آتی، پیشنهاد می‌شود با تغییر داده‌های روزانه به داده‌های بین‌روزی (مانند داده‌های دقیقه‌ای)، مدل شبکۀ عصبی هیبریدی مبتنی بر استخراج ویژگی زمانی چندگانه بار دیگر بررسی شود. همچنین، استفاده از شاخص‌های بیشتری مانند مقادیر آغازین، حجم، حداقل، حداکثر، میانگین متحرک و شاخص قدرت نسبی، می‌تواند بهبود دقت مدل‌های پیش‌بینی را به همراه داشته باشد.