ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM)) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
ویژگی غیرخطی و نوسانات بالا در سری های زمانی مالی، پیش بینی قیمت سهام و شاخص های مالی را با چالش های زیادی مواجه ساخته است. با این حال توسعه های اخیر در مدل های یادگیری عمیق (DL) با ساختار هایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکرد هایی که می تواند در تحلیل سری های زمانی مالی کارا باشد تجزیه سیگنال های بازار سرمایه از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار های مالی، در این پژوهش با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM)به منظور پیش بینی شاخص بورس اوراق بهادار تهران مورد استفاده قرار گرفته است. در این راستا از داده های روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 01/12/1390 - 01/12/1400 استفاده شده است. نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیار های سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، مدل معرفی شده (CEEMD- DL(LSTM))، در مقایسه با مدل های سنتی در این حوزه، از کارایی و دقت پیش بینی بالاتری برخوردار است. بر همین اساس کاربرد این مدل در پیش بینی های مالی پیشنهاد می گردد.Presenting the Forecasting Model of Analysis of Capital market Signals Using (CEEMD-DL(LSTM)) approach
Non-linearity feature and high fluctuations in financial time series have made the forecasting of stock prices and financial indicators face many challenges. However, recent developments in deep learning (DL) models with structures such as long-short-term memory (LSTM) and convolutional neural network (CNN) have made improvements in the analysis of this type of data. Another approach that can be effective in the analysis of financial time series is the decomposition of capital market signals through algorithms such as complete integrated empirical mode decomposition (CEEMD). Considering the importance of forecasting in the financial markets, in this research, by combining deep learning models and complete integrated empirical mode decomposition (CEEMD), The hybrid CEEMD-DL(LSTM) model has been used to forecast the Tehran Stock Exchange index. In this regard, the daily data of the total index of the Tehran Stock Exchange in the period of 2012/12/01 – 2022/02/20 be used and the results were compared with the results of competing models based on efficiency measurement criteria. Based on the obtained results, the introduced model (CEEMD-DL(LSTM)) has higher efficiency and accuracy in stock exchange index forecasting. Accordingly, the use of this model in financial forecasts is suggested.
تبلیغات
