فهرست نشریات علمی دسترسی آزاد ایران

بازارهای مالی، به‌ویژه بورس با نوسانات شدید، پیچیدگی بالا و رفتارهای غیرخطی مواجه‌اند. روش‌های سنتی همچون تحلیل بنیادی و تکنیکال، در مواجهه با این شرایط پویا و در تحلیل داده‌های سری‌های زمانی مالی، کارایی محدودی دارند، علاوه بر این، از منظر مالی ،رفتاری، هیجانات و سوگیری‌های شناختی سرمایه‌گذاران نیز می‌توانند موجب انحراف قیمت‌ها از ارزش ذاتی شوند. این کاستی‌ها موجب شده است پژوهشگران به سمت فناوری‌های نوین روی آورند.ازاین‌رو، استفاده از هوش مصنوعی و روش‌های یادگیری ماشین، به‌عنوان جایگزین یا مکمل روش‌های کلاسیک، به طور فزاینده‌ای موردتوجه قرار گرفته است. این رویکردها توانایی شناسایی الگوهای پنهان در داده‌های مالی و ارائه پیش‌بینی‌های دقیق‌تر از رفتار آتی قیمت سهام را دارند.لذا این پژوهش با هدف بررسی تأثیر مدل‌های هوش مصنوعی بر پیش‌بینی رفتار قیمتی سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران (مطالعه موردی: استان کرمان) انجام شد. روش تحقیق کاربردی و از نوع توصیفی- تحلیلی با رویکرد کمی است. جامعه آماری شامل ۳۰ شرکت فعال در صنایع معدنی و فلزی بود که داده‌های آن‌ها طی سال‌های ۱۳۹۸ تا ۱۴۰۳ گردآوری و با استفاده از مدل‌های RNN، LSTM، شبکه عصبی- فازی با الگوریتم ژنتیک، PSO-SVR و PSO-BiLSTM در محیط Python و MATLAB تحلیل شد.نتایج نشان داد مدل RNN نسبت به ANN و مدل LSTM نسبت به RNN دقت بیشتری دارند. مدل ترکیبی عصبی- فازی با الگوریتم ژنتیک موجب کاهش خطای پیش‌بینی شد و PSO-SVR توانست جهش‌های ناگهانی قیمت را با دقت بالاتری شناسایی کند. در میان مدل‌ها، PSO-BiLSTM بهترین عملکرد را داشت. همچنین، نوسانات قیمت مواد معدنی به‌عنوان عامل محلی، اثر معناداری بر دقت پیش‌بینی مدل‌ها داشت. یافته‌ها بیانگر ظرفیت بالای هوش مصنوعی در بهبود پیش‌بینی و تصمیم‌گیری سرمایه‌گذاران است.