سکینه صیادی نژاد

سکینه صیادی نژاد

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۲ مورد از کل ۲ مورد.
۱.

ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM))(مقاله علمی وزارت علوم)

کلید واژه ها: مدل های یادگیری عمیق (DL) تجزیه مد تجربی یکپارچه کامل (CEEMD) شاخص بورس اوراق بهادار تهران حافظه بلندمدت - کوتاه مدت (LSTM) شبکه عصبی کانولوشنی (CNN)

حوزه های تخصصی:
تعداد بازدید : ۲۲ تعداد دانلود : ۲۷
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.
۲.

ارائه مدل پیش بینی بازدهی بیت کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)(مقاله علمی وزارت علوم)

کلید واژه ها: مدل های یادگیری عمیق (DL) تجزیه مد تجربی یکپارچه کامل (CEEMD) بیت کوین حافظه بلندمدت – کوتاه مدت (LSTM) شبکه عصبی کانولوشنی (CNN)

حوزه های تخصصی:
تعداد بازدید : ۱۵۶ تعداد دانلود : ۱۳۷
با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی 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 رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها  کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی  CEEMD- DL(LSTM) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی01/01/2013 - 28/05/2022  استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان