یدالله صفایی پور

غیرخطی بودن و نوسانات بالای سری های زمانی مالی، پیش بینی قیمت سهام را دشوار کرده است. هرچند با پیشرفت های اخیر در حوزه یادگیری عمیق و استفاده از مدل های شبکه های عصبی مانند RNN، LSTM و GRU، بهبودهای قابل توجهی در تحلیل این نوع داده ها به وجود آمده است، اما سیستم های مالی پیچیده و پویا به راحتی تحت تأثیر نویز قرار می گیرند. وجود نویز در سری های زمانی باعث می شود که مدل های یادگیری عمیق به سختی بتوانند الگوها و ویژگی های پنهان سری های زمانی را استخراج کنند و در نتیجه، توانایی یادگیری و دقت پیش بینی مدل های یادگیری عمیق کاهش می یابد. تحقیقات نشان داده است که روش تجزیه کامل به مجموعه مؤلفه های مود تجربی (CEEMD) ممکن است در تجزیه و تحلیل سری های زمانی مالی مؤثر باشد. پژوهش حاضر به دنبال طراحی یک مدل بر اساس تجزیه سری های زمانی برای پیش بینی یک روز آینده است. در این راستا، این پژوهش در چهار ساختار، مدل CEEMD را با مدل های یادگیری عمیق مانند RNN، LSTM و GRU و مدل آماری ARMA ترکیب کرده است. برای ارزیابی مدل ها از داده شاخص کل و داده های قیمت سهام 34 شرکت فعال تر بورس تهران مربوط به بازه زمانی فروردین 1396 تا فروردین 1401 استفاده شده است. نتایج این پژوهش نشان می دهد که تجزیه داده های خام می تواند فرآیند استخراج ویژگی ها و الگوها را برای یادگیری ماشین تسهیل نماید. به علاوه، مدل CEEMD-ARMA-LSTM نسبت به مدل های ترکیب نشده دقت پیش بینی را 3 درصد افزایش داده است.