نسیم عبدالله زرکش

پیش بینی نوسانات بازار سهام یکی از چالش های اساسی در اقتصاد مالی است که نقش مهمی در مدیریت ریسک، طراحی استراتژی های سرمایه گذاری و اتخاذ تصمیمات سیاست گذاری دارد. با وجود موفقیت روش های کلاسیک اقتصادسنجی مانند ARCH و GARCH در مدل سازی خوشه بندی نوسانات، این روش ها در مواجهه با وابستگی های بلندمدت و رفتارهای غیرخطی داده های مالی محدودیت هایی نشان می دهند. در سال های اخیر، توسعه فناوری های یادگیری عمیق و به ویژه معماری های بازگشتی نظیر RNN، LSTM و GRU، امکان استخراج الگوهای پیچیده و ویژگی های پنهان سری های زمانی مالی را فراهم ساخته است. هدف پژوهش حاضر، بررسی و مقایسه عملکرد این سه مدل در پیش بینی نوسانات بازار سهام ایران و ارزیابی دقت، پایداری و قابلیت تبیین پذیری آن ها می باشد. داده های مورد استفاده شامل بازه زمانی 1394 تا 1403 از معاملات بورس تهران می باشد و ارزیابی عملکرد مدل ها بر اساس شاخص های آماری (MSE، RMSE، MAE) و معیارهای مالی (نسبت شارپ و دقت جهت حرکت بازار) انجام شد. نتایج نشان داد که مدل LSTM با ضریب تعیین 0.97 بالاترین دقت و پایداری را ارائه می دهد، مدل GRU با ضریب تعیین 0.948 عملکردی نزدیک به LSTM و سرعت همگرایی بالاتر دارد، و مدل RNN پایه با ضریب تعیین 0.89 محدودیت هایی در پیش بینی نوسانات بلندمدت دارد. یافته ها تأیید می کنند که معماری های بازگشتی پیشرفته می توانند ابزارهای مؤثری برای توسعه سامانه های پیش بینی مالی و مدیریت ریسک باشند. همچنین، پیشنهاد می شود در پژوهش های آتی، مدل های هیبرید، داده های چندمنبعی و چارچوب های یادگیری آنلاین به منظور بهبود دقت و تعمیم پذیری پیش بینی ها مورد استفاده قرار گیرند.