مدل سازی پیش بینی جهش های شاخص بازار سهام بر اساس رویکرد شبکه عصبی بازگشتی یادگیری عمیق (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
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. برای رسیدن به این هدف، در گام نخست جهش های شاخص کل بورس اوراق بهادار تهران طی دوره 1392 تا 1399 بر اساس رویکرد ARJI-GARCH استخراج گردید. در گام بعدی، با بهره گیری از رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به پیش بینی جهش های شاخص سهام پرداخته شد. بدین منظور، از 80 درصد کل داده ها به عنوان دوره یادگیری ماشین (درون نمونه) و مابقی داده ها به عنوان دوره آزمون (خارج از نمونه) استفاده شده است. نتایج پیش بینی 1، 3 و 6 روزه برای دوره آزمون (خارج از نمونه) نشان می دهد که روش یادگیری ماشین مبتنی 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.Modeling the Prediction of Stock Market Jumps Based on the Recurrent Neural Network and Deep Learning
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.
تبلیغات
