بررسی قدرت مدل های مبتنی بر هوش مصنوعی در پیش بینی روند قیمت سهام بورس اوراق بهادار تهران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: در سال های اخیر، روش های پیش بینی داده های سری زمانی مبتنی بر هوش مصنوعی و یادگیری عمیق گسترش بسیاری یافته است. با توجه به اینکه این داده ها در حوزه سرمایه گذاری و پیش بینی قیمت سهام ابعاد بزرگی دارند، روش های سنتی تحلیل داده، به سختی می توانند به یادگیری آن ها بپردازند. در این پژوهش، قدرت مدل های مختلف مبتنی بر یادگیری ماشین، در پیش بینی روند قیمت سهام در بورس اوراق بهادار تهران بررسی شده است. روش: پس از جمع آوری داده های 150 شرکت بزرگ پذیرفته شده در بورس اوراق بهادار تهران، از سال 1390 تا 1399، با تنظیم دقیق روش های یادگیری ماشین برای هر یک از سهام، به پیش بینی روند قیمت سهام و صحت سنجی هر یک از روش ها پرداختیم و آن ها را با هم مقایسه کردیم. در این روش ها، در هر مرحله یادگیری، بخشی از داده ها را به بخش یادگیری و ارزیابی و بقیه را به بخش آزمون اختصاص دادیم. این روش ها عبارت بودند از: مدل های خطی، مدل های خودهم بسته، جنگل تصادفی و شبکه های عصبی. یافته ها: مدل های مبتنی بر یادگیری عمیق نسبت به سایر مدل ها عملکرد بهتری از خود نشان می دهند و در پیش بینی روند کوتاه مدت قیمت سهام، از دقتی حدود 70 تا 80 درصد برخوردارند. همچنین، مدل های یادگیری کم عمق دقت بالاتری داشتند. به طور کلی، بیشتر مدل ها در پیش بینی روندهای منفی سهام، عملکرد بهتری نشان می دهند. نتیجه گیری: در این پژوهش، تلاش شد تا مدل ها با دقت بسیار به کار گرفته شوند. نتایج پژوهش نشان داد که برخلاف یافته های پژوهش های گذشته، این مدل ها نتایج خیره کننده ای در اختیار سرمایه گذاران قرار نمی دهند.Inspecting the Predictive Power of Artificial Intelligence Models in Predicting the Stock Price Trend in Tehran Stock Exchange
Objective: Time series prediction methods based on artificial intelligence have been widely developed in recent years. Given that these data have large dimensions in the field of investment and stock price forecasting, traditional data analysis methods have low predictive power. This study examines the predictive power of a variety of models based on machine learning in the Tehran Stock Exchange.
Methods: After collecting data from 150 large companies listed on the Tehran Stock Exchange from 2012 to 2021, we want to predict the stock price trend- the movement direction of the price- and then validate each method and compare their accuracy. In these methods, we allocate part of the data to the learning section and the rest to the test section. We take these periods as training and trading sets. These methods include linear models, autocorrelation models, trees, and neural networks.
Results: Deep learning models show better performance than other models and have an accuracy of about 70 percent. Also, we show the time series of the best-performance model accuracy of portfolios of some large industries. The best-performance model of DL in this study is Recurrent Neural Networks. In addition, we show that shallow learning models have higher accuracy and most models perform better in predicting descending stock trends.
Conclusion: In this study, after trying to use the models very carefully, the result is that these models do not provide stunning results to investors.