ارزیابی روش ترکیبی PSO-BiLSTM برای پیش بینی قیمت سهام با استفاده از داده های سری زمانی قیمتی سهام (مطالعه موردی: سهام ارزشی بورس و فرابورس ایران) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در سال های اخیر با افزایش ضریب نفوذ بازار سرمایه، افراد بیشتری متمایل به سرمایه گذاری در بورس شده اند. پیش بینی دقیق قیمت سهام با کمترین خطا می تواند ریسک سرمایه گذاری را کاهش و بازده سرمایه گذاری را افزایش دهد. پیش بینی قیمت سهام به دلیل نوسانات غیرخطی اغلب به عنوان مسئله سری زمانی غیرخطی توصیف می شود که تحت تأثیر عوامل زیادی است. در این پژوهش، روش BiLSTM برای پیش بینی قیمت سهام ارزیابی می گردد. در این راستا، از چندین تکنیک یادگیری ماشین جهت پیش بینی قیمت سهام با استفاده از داده های سری زمانی قیمتهای سهام استفاده می شود و نهایتاً دو روش یادگیری عمیق شامل الگوریتم شبکه عصبی خود بازگشتی (LSTM) و الگوریتم شبکه عصبی خود بازگشتی دوطرفه (BiLSTM) در این راستا پیاده سازی و نتایج آنها مقایسه می شوند. داده های سری زمانی مشخصه های قیمتی شامل قیمت باز، قیمت بسته، قیمت بالا و قیمت پایین برای سهام ارزشی شرکت های پذیرفته شده در بورس و فرابورس اوراق بهادار تهران از ابتدای سال ۱۳۹۲ تا پایان سال ۱۳۹۸، در جهت پیاده سازی روش های مذکور به عنوان مطالعه موردی استفاده می گردند. 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 الگوریتم های SVR ،CART ، MLP، LSTM و BiLSTM دارد.Evaluation of PSO-BiLSTM method for stock price forecasting using stock price time series data (Case study: Iran Stock Exchange and OTC stock)
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.
تبلیغات
