فهرست نشریات علمی دسترسی آزاد ایران

هدف: یکی از مهم‌ترین اهداف سرمایه‌گذاران و معامله‌گران بازار‌های مالی شناخت رفتار قیمت سهام است. پیش‌بینی قیمت، می‌تواند به افراد در مورد خرید، فروش یا نگهداری سهام کمک کند تا با زمان‌بندی موثر معاملات، سود بالقوه را به حداکثر یا زیان را به حداقل برسانند. به دلیل رفتار غیر‌خطی قیمت و وابستگی آن به عوامل گوناگون پیش‌بینی قیمت کار دشواری است که برای مقابله با این چالش، در این پژوهش از مدل‌های یادگیری عمیق کمک گرفته می‌شود که زیر شاخه‌ای از مدل‌های یادگیری ماشین هستند. ساختار مدل‌های یادگیری عمیق به دلیل تمرکز بر روی تعداد لایه‌های بیشتر و استفاده از گره‌های به هم پیوسته (نورون‌ها) در مواجه با مقادیر زیادی داده عملکرد مناسبی دارند و به دلیل توانایی آن‌ها در شناخت الگو‌ها و روابط، امکان ارائه پیش‌بینی دقیق‌تری از قیمت‌ها را فراهم می‌کنند.روش: در این پژوهش، برای پیش‌بینی قیمت‌ سهام در بازار بورس اوراق بهادار تهران از دو مدل پیشنهادی LSTM-CNN و CNN-LSTM به وسیله بهینه‌سازی هایپرپارامتر‌ها توسط الگوریتم PSO که یک الگوریتم بهینه‌سازی مبتنی بر جمعیت است و تکنیک‌های تقویت مدل شامل: آموزش خصمانه، مکانسیم توجه و بلوک باقی‌مانده استفاده شده است. این مدل‌ها با مدل‌های CNN،LSTM وCNN-LSTM مورد مقایسه قرار گرفته ‌اند. جهت دستیابی به این هدف، داده‌های10سهم از تاریخ20 شهریور 1392 تا تاریخ20 شهریور 1402 مورد بررسی قرارگرفته‌است.داده‌های ورودی شامل: قیمت‌های تعدیل‌شده سهم، اندیکاتور‌ها، اسیلاتور‌ها، قیمت دلارآزاد آمریکا و نرخ تورم می‌باشد.یافته‌ها: مقایسه نتایج معیار­های ارزیابی شامل چهار معیار RMSE، MAE، R-squared و MAPE نشان از عملکرد مطلوب  دو مدل پیشنهادی با سایر مدل­ها می­دهد. علاوه بر این، مدل پیشنهادی LSTM-CNN  توانسته بهترین عملکرد را به ثبت رساند. همچنین، بررسی نتایج دو مدل پیشنهادی، با و بدون الگوریتم PSO  مشخص کرد که این الگوریتم به بهینه­سازی مدل­ها کمک می­کند. در نهایت، بررسی استراتژی­های مبتنی بر مدل‌های پیشنهادی بر روی پنج سهم از پنج صنعت مختلف در چهار دوره زمانی نشان از عملکرد مالی برتر آن‌ها می­دهد. به عبارت دیگر، مدل‌های پیشنهادیLSTM-CNN  و  CNN-LSTMتوانسته‌اند در معیار بازده مالی و نسبت شارپ در مقایسه با سایر استراتژی­ها موفقیت مطلوبی به‌دست آورند که مدل پیشنهادیLSTM-CNN  مطلوب­ترین عملکرد را به ثبت رسانده است.نتیجه‌گیری: هایپرپارامترها، پارامترهایی هستند بر روی خروجی مدل‌ها تاثیر دارند و با تغییر هرکدام از این هایپارامترها نتایج مختلفی به‌دست‌ می‌آید که می‌تواند مناسب یا غیر مناسب باشند این پارامترها در طول آموزش یاد نمی‌گیرند و باید قبل از آموزش تنظیم شوند. طبق نتایج به‌دست‌ آمده، بهینه‌سازی هایپرپارامترها، می‌تواند سهم را بر اساس رفتار آن سهم بهینه کند که این امر منجر به پیش‌بینی دقیق‌تر قیمت می‌شود. همچنین، با استفاده از مدلLSTM-CNN  استخراج ویژگی‌ها از داده‌ها  و شناسایی و درک وابستگی‌ها در ویژگی‌های استخراج شده به طور مناسب‌تری از CNN-LSTM صورت می‌گیرد که می‌تواند در بهبود دقت پیش‌بینی کمک کند.