پیش بینی روند شاخص کل با استفاده از شبکه های عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه در بورس اوراق بهادار تهران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: پیش بینی آینده در حوزه سرمایه گذاری اهمیت زیادی دارد؛ زیرا به سرمایه گذاران کمک می کند تا تصمیم های بهتری اتخاذ کنند و ریسک های خود را کاهش دهند. در این راستا با بهبود قدرت مدل های پیش بینی، می توان به بازدهی های بهتری در بازار دست یافت. با این حال، پیش بینی بازار سهام به دلیل نوسان قیمت ها و عدم قطعیت، دغدغه بزرگی است. به طور کلی، پیش بینی دقیق حرکت سهام بسیار دشوار است و بسیاری از پژوهشگران به بررسی روش هایی می پردازند که فقط جهت حرکت سهام را پیش بینی می کنند. از جمله این روش ها، می توان به گشت تصادفی، پروبیت و لاجیت اشاره کرد. روش های جدیدتری مانند ماشین بردار پشتیبان، الگوریتم نزدیک ترین همسایگی و شبکه عصبی مصنوعی، برای بهبود پیش بینی آینده معرفی شده اند. به علت اهمیت پیش بینی روند بازارهای مالی برای پژوهشگران و سرمایه گذاران، این پژوهش با هدف پیش بینی روند شاخص کل بورس اوراق بهادار تهران با استفاده از یک شبکه عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه انجام شده است. هدف از اجرای این پژوهش، بررسی قدرت پیش بینی روش معرفی شده و مقایسه آن با روش های رقیب است.روش: در این پژوهش، از یک شبکه عصبی هیبریدی که شامل شبکه عصبی کانولوشن (CNN) برای استخراج ویژگی ها و سه شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) برای یادگیری وابستگی های زمانی است، استفاده شده است. داده های استفاده شده، مقادیر روزانه شاخص کل بورس اوراق بهادار تهران از سال ۱۳۷۷ تا ۱۴۰۱ بود که پس از جمع آوری و نرمال سازی، به دو بخش آموزش و اعتبارسنجی تقسیم شد. این شبکه عصبی هیبریدی با بهره گیری از ویژگی مقیاس زمانی چندگانه، تلاش می کند تا پیش بینی دقیقی از روند شاخص ارائه دهد. همچنین، از روش های مهندسی استخراج برای بهبود دقت این شبکه ها استفاده شده که عبارت است از: ترکیب شبکه های عصبی مختلف در یک شبکه جامع.یافته ها: نتایج این پژوهش نشان داد که مدل شبکه عصبی هیبریدی پیشنهادی که ترکیبی از شبکه های عصبی CNN و LSTM است، برای پیش بینی شاخص کل بورس اوراق بهادار تهران توانایی کافی را ندارد. دقت این مدل در مقیاس های زمانی هفتگی و ماهانه، کمتر از مدل های رقیب بود. در مقابل، مدل شبکه عصبی CNN که به عنوان یکی از مدل های رقیب بررسی شد، عملکرد بهتری داشت و توانست نتایج دقیق تری در پیش بینی شاخص کل بورس ارائه دهد. این نتایج با مطالعات قبلی که موفقیت مدل های هیبریدی در پیش بینی بازارهای مختلف را نشان داده بودند، در تضاد است.نتیجه گیری: مدل شبکه عصبی هیبریدی پیشنهادی نتوانست شاخص کل بورس اوراق بهادار تهران را به درستی پیش بینی کند؛ در حالی که مدل CNN به تنهایی نتایج بهتری ارائه داد. این یافته ها نشان می دهد که شبکه های عصبی ساده تر، مانند CNN، ممکن است در مواردی عملکرد بهتری داشته باشند. برای پژوهش های آتی، پیشنهاد می شود با تغییر داده های روزانه به داده های بین روزی (مانند داده های دقیقه ای)، مدل شبکه عصبی هیبریدی مبتنی بر استخراج ویژگی زمانی چندگانه بار دیگر بررسی شود. همچنین، استفاده از شاخص های بیشتری مانند مقادیر آغازین، حجم، حداقل، حداکثر، میانگین متحرک و شاخص قدرت نسبی، می تواند بهبود دقت مدل های پیش بینی را به همراه داشته باشد.Predicting Index Trend Using Hybrid Neural Networks with a Focus on Multi-Scale Temporal Feature Extraction in the Tehran Stock Exchange
ObjectivePredicting the future trends in financial markets stands as a critical task for both investors and researchers, given its pivotal role in enabling well-informed decision-making processes and effective risk management strategies. Nevertheless, the realm of stock market dynamics is fraught with inherent complexities and uncertainties, posing a formidable challenge when it comes to achieving accurate predictions. A wide array of predictive modeling techniques have been meticulously investigated, spanning from conventional statistical methodologies to more sophisticated machine learning algorithms. The primary focus of this research endeavor revolves around the predictive analysis of the Tehran Stock Exchange (TSE) Composite Index, wherein a novel hybrid neural network framework is employed. This approach seamlessly integrates multiscale temporal features, with the ultimate objective of bolstering prediction precision and offering profound insights into prevailing market trends and dynamics. MethodsThe hybrid neural network architecture that has been put forward integrates the unique capabilities of convolutional neural networks (CNNs) in the realm of feature extraction with the effectiveness of long short-term memory (LSTM) networks in capturing temporal dependencies. The dataset used in this study consists of daily historical data pertaining to the TSE Composite Index, covering a substantial period from the year 1998 to 2022, which has been meticulously gathered, preprocessed, and subsequently partitioned into distinct sets for training and validation purposes. Within the framework of this hybrid neural network model, a sophisticated approach is adopted to harness multiscale temporal features derived from the input data, enabling the generation of highly accurate predictions regarding the future trends of the index. Moreover, to further enhance the performance and resilience of the model, sophisticated feature engineering methodologies are implemented to optimize its overall functionality. ResultsThe results of the study reveal that while the hybrid neural network model, integrating CNN and LSTM components, demonstrates promising capabilities in predicting the TSE Composite Index, its accuracy falls short compared to competing models, particularly at weekly and monthly time scales. Conversely, the standalone CNN model exhibits superior performance, yielding more accurate predictions of the index's movements. These findings challenge the prevailing notion regarding the efficacy of hybrid neural network models in financial market prediction, highlighting the importance of evaluating alternative modeling approaches based on their specific strengths and limitations. ConclusionDespite the potential of hybrid neural network models, as demonstrated in previous research, the findings of this study suggest that simpler neural network architectures, such as CNNs, may offer better prediction performance in certain scenarios. To address the limitations identified, future research endeavors could explore alternative model configurations, ensemble methods, or hybrid architectures that combine the strengths of different predictive models. Additionally, incorporating additional market indicators and exploring intraday data sources could further enhance prediction accuracy and robustness. This abstract encapsulates the key findings and implications of the research, providing valuable insights for investors, researchers, and practitioners in the field of financial market prediction.
تبلیغات
