فهرست نشریات علمی دسترسی آزاد ایران

هدف: شاخص بورس و قیمت سهام، بازتاب‌دهندة سلامت اقتصادی و واکنش بازار به تصمیمات مالی هستند؛ ازاین‌رو، تحلیل دقیق آن‌ها نقش مهمی در ارزیابی عملکرد مدل‌های پیش‌بینی دارد. پیش‌بینی حرکات بازار، به‌ویژه در بورس پرتلاطم تهران، نیازمند مدل‌هایی با توان تحلیل داده‌های سری زمانی غیرخطی است. این پژوهش با هدف طراحی مدلی مبتنی بر یادگیری عمیق برای پیش‌بینی قیمت پایانی روز بعد سهام، به توسعة ساختاری ترکیبی پرداخته است که بتواند در شرایط ناپایدار بازار نیز عملکرد قابل اتکایی داشته باشد. روش‌شناسی پژوهش: داده‌های معاملات بورس تهران از ۲۰۰۸ تا ۲۰۲۱ (۳۰۱۴ روز معاملاتی) شامل قیمت‌های پایانی، باز، بالا، پایین، حجم و ارزش معاملات گردآوری شدند. پس از پاک‌سازی و نرمال‌سازی داده‌ها، از روش پنجره لغزنده برای تولید توالی‌های قابل آموزش استفاده شد. مدل پیشنهادی شامل یک لایه پیچشی یک‌بعدی برای استخراج ویژگی‌ها، دو لایه حافظه کوتاه‌مدت ماندگار برای حفظ وابستگی‌های زمانی و چندین لایه متراکم برای یادگیری غیرخطی است. آزمایش‌ها در محیط پایتون انجام شد و سناریوهای مختلفی از جمله حذف داده‌های پرتلاطم و تنظیم ساختار مدل بررسی شدند. یافته‌‌ها: نتایج تجربی نشان دادند که مدل ترکیبی CNN-LSTM در تحلیل داده‌های روزانه نرمال‌سازی‌شده، عملکرد دقیقی دارد. میانگین خطای مطلق بین 56/0 تا 63/0 و میانگین درصد خطای مطلق حدود 26/1 تا 46/1 درصد گزارش شد. مدل در پیش‌بینی میان‌مدت (تا ۶۰ روز) نیز پایداری خود را حفظ کرده و خروجی‌هایی منطبق با روند واقعی بازار ارائه داده است. در نمادهای با رفتار آرام‌تر، دقت پیش‌بینی بیشتر بوده و در نمادهای نوسانی نیز مدل توانسته ساختار قیمتی را به‌درستی بازسازی کند. اصالت / ارزش‌افزوده علمی: نوآوری این تحقیق در طراحی چارچوبی دقیق، قابل تعمیم و مقاوم در برابر نوسانات شدید است که با آزمون‌های گسترده در سطح نمادهای منفرد، تحلیل پایداری در شرایط حذف داده و بازسازی ساختارهای قیمتی پیچیده، افق‌های نوینی برای توسعه سامانه‌های معاملاتی هوشمند فراهم می‌سازد. این مدل با قابلیت سازگاری با داده‌های پرتلاطم، ناقص و ساختارهای متفاوت بازار بورس ایران، بستری مناسب برای پیاده‌سازی سیستم‌های تصمیم‌یار در محیط‌های اقتصادی غیرخطی و ناپایدار ارائه می‌کند.