چکیده:
در سالهای اخیر با افزایش ضریب نفوذ بازار سرمایه، افراد بیشتری متمایل به سرمایهگذاری در بورس شدهاند. پیش بینی دقیق قیمت سهام با کمترین خطا میتواند ریسک سرمایهگذاری را کاهش و بازده سرمایهگذاری را افزایش دهد. پیش بینی قیمت سهام به دلیل نوسانات غیرخطی اغلب به عنوان مسئله سری زمانی غیرخطی توصیف میشود که تحت تاثیر عوامل زیادی است. در این پژوهش، روش BiLSTM برای پیش بینی قیمت سهام ارزیابی میگردد. در این راستا، از چندین تکنیک یادگیری ماشین جهت پیش بینی قیمت سهام با استفاده از دادههای سری زمانی قیمتهای سهام استفاده میشود و نهایتا دو روش یادگیری عمیق شامل الگوریتم شبکه عصبی خود بازگشتی (LSTM) و الگوریتم شبکه عصبی خود بازگشتی دوطرفه (BiLSTM) در این راستا پیادهسازی و نتایج آنها مقایسه میشوند. دادههای سری زمانی مشخصههای قیمتی شامل قیمت باز، قیمت بسته، قیمت بالا و قیمت پایین برای سهام ارزشی شرکتهای پذیرفته شده در بورس و فرابورس اوراق بهادار تهران از ابتدای سال ۱۳۹۲ تا پایان سال ۱۳۹۸، در جهت پیاده سازی روشهای مذکور به عنوان مطالعه موردی استفاده میگردند. نتایج این پژوهش نشان داد که مدل ترکیبی PSO-BiLSTM در نظر گرفتن معیارهای ارزیابی RMSE و R-Square خطای کمتری در پیش بینی قیمتهای سهام مورد مطالعه و عملکرد بهتری نسبت به الگوریتمهای SVR، CART، MLP، LSTM و BiLSTM دارد.
In recent years, with the increase in the penetration rate of the capital market, more people have invested in the stock market. Predicting the stock prices accurately with the least error can reduce investment risk and increase investment return. Due to nonlinear fluctuations, stock prices prediction is often described as a subject of nonlinear time series that is influenced by many factors. In this study, the bidirectional long short-term memory (BiLSTM) method for predicting stock prices is evaluated. In this regard, several machine learning techniques are applied to predict stocks prices using time series, and finally two deep learning methods including a recurrent neural network algorithm (LSTM) and a bidirectional neural network algorithm (BiLSTM) are implemented and their results are compared. Time series data of price characteristics including open, closed, high and low prices for the selected value stocks listed in Tehran stock exchange and the OTC, are used as a case study to implement the mentioned methods. Considering the evaluation criteria of RMSE and R-Square, the results of this study indicated that the combined PSO-BiLSTM algorithm, predicts the stock prices more accurately and has a better performance than the BiLSTM, LSTM, SVR, CART and MLP algorithms.
خلاصه ماشینی:
در اين راستا، از چندين تکنيک يادگيري ماشين جهت پيش بيني قيمت سهام با استفاده از دادههاي سري زماني قيمتهاي سهام استفاده ميشود و نهايتا دو روش يادگيري عميق شامل الگوريتم شبکه عصبي خود بازگشتي (Long Short-Term Memory) و الگوريتم شبکه عصبي خود بازگشتي دوطرفه (BiLSTM) در اين راستا پيادهسازي و نتايج آنها مقايسه ميشوند.
نتايج اين پژوهش نشان داد که مدل ترکيبي PSO-BiLSTM در نظر گرفتن معيارهاي ارزيابي RMSE و R-Square خطاي کمتري در پيش بيني قيمتهاي سهام مورد مطالعه و عملکرد بهتري نسبت به الگوريتم هاي SVM،CART ،MLP ،LSTM و BiLSTM دارد.
فرايند انتخاب سهام ارزشي مورد مطالعه ساختار ارائه مطالب در ادامه اين پژوهش بدين شرح است که مباني نظري شامل پيش بيني قيمت سهام، سريهاي زماني، الگوريتم هاي يادگيري ماشين ، روش يادگيري عميق از جمله LSTM و BiLSTM و همچنين پيشينه پژوهش در بخش دوم ارائه ميگردند، روششناسي پژوهش شامل دادهها و چگونگي هم مقياس نمودن آنها در بخش سوم مورد بحث قرار ميگيرند، بخش ٤ به تبيين نتايج حاصل از پيادهسازي روشهاي مورد استفاده و تفسير نتايج عددي ميپردازد و نهايتا مقايسه نتايج و بحث و نتيجه گيري در بخش ٥ ارائه ميشوند.
Stock Price Prediction Modeling Using Artificial Neural Network Approach and Imperialist Competitive Algorithm Based On Chaos Theory.
Forecasting stock prices using a hybrid deep learning model integrating attention mechanism, multi-layer perceptron, and bidirectional long-short term memory neural network.
Stock market's price movement prediction with LSTM neural networks.