مقایسه مدل‌های مختلف یادگیری ماشین در پیش‌بینی شاخص بازار سهام

نویسندگان

1 گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

2 گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.

3 گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

4 گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

doi
چکیده

پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره‌‌گیری از مقایسه مدل‌های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش‌بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره‌های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت (LSTM) در مقایسه با سایر مدل‌های مورد بررسی نتیجه بهتری داشته است.