خلاصة:
هدف از انجام این پژوهش بررسی دقت پیشبینی جهشهای شاخص سهام بر اساس روشهای مختلف یادگیری ماشین در بورس اوراق بهادار تهران است. برای رسیدن به این هدف، در گام نخست جهشهای شاخص کل بورس اوراق بهادار تهران طی دوره 1392 تا 1399 بر اساس رویکرد ARJI-GARCH استخراج گردید. در گام بعدی، با بهرهگیری از رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به پیشبینی جهشهای شاخص سهام پرداخته شد. بدین منظور، از 80 درصد کل دادهها به عنوان دوره یادگیری ماشین (درون نمونه) و مابقی دادهها به عنوان دوره آزمون (خارج از نمونه) استفاده شده است. نتایج پیشبینی 1، 3 و 6 روزه برای دوره آزمون (خارج از نمونه) نشان میدهد که روش یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) نتیجه بهتری نسبت به سایر مدلهای مورد بررسی برای هر سه افق پیشبینی داشته است.
Predicting crises and price jumps in the stock market and based on different models has been growing over the last decade. Due to the presence of big data, this issue has led to the growth of developments in the field of machine learning and deep learning models. Due to the importance of this issue, This study examined the ability of different machine learning models to predict the jumps in the total index of the Tehran Stock Exchange during the period 2013 to 2020. For this purpose, first stock market jumps were extracted based on the ARJI-GARCH approach and then these jumps were predicted by considering the possible effective variables including global and domestic markets. The prediction results of 1-, 3-, and 6-day periods for the out-of-sample period show that the machine learning method based on the long short-term memory (LSTM) network, a recurrent neural network, has a better result than other models.
ملخص الجهاز:
مدل سازی پیش بینی جهش های شاخص بازار سهام بر اساس رویکرد 1 شبکه عصبی بازگشتی یادگیری عمیق 5 مریم سهرابی ٢، سید مظفر میربرگ کار٣، ابراهیم چیرانی ٤، سینا خردیار مقاله پژوهشی تاریخ دریافت : ١٤٠٠/٠٢/٠٣ تاریخ پذیرش : ١٤٠٠/٠٧/٢٥ چکیده هدف از انجام این پژوهش بررسی دقت پیش بینی جهش های شاخص سهام بر اساس روش های مختلف یادگیری ماشین در بورس اوراق بهادار تهران است .
نتایج پیش بینی ١، ٣ و ٦ روزه برای دوره آزمون (خارج از نمونه ) نشان می دهد که روش یادگیری ماشین استوار بر شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) نتیجه بهتری نسبت به سایر مدل های مورد بررسی برای هر سه افق پیش بینی داشته است .
بر این اساس ، هدف اصلی این پژوهش پیش بینی جهش های شاخص کل بورس اوراق بهادار تهران با استفاده از روش یادگیری ماشین و بررسی توانایی مدل های یادگیری عمیق و شبکه عصبی بازگشتی است .
در این طبقه بندی، در حال حاضر رویکردهای ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی و روش های استوار بر یادگیری ماشین و یادگیری عمیق از توانمندترین مدل های مورد استفاده در زمینه پیش بینی قیمت سهام و بحران های مالی به شمار میآیند.
نتایج پیش بینی جهش های شاخص بورس اوراق بهادار که هدف اصلی این پژوهش است ، برای پیش بینی یک روزه به روش شبکه عصبی بازگشتی LSTM در نمودار (٢) نمایش داده شده است .