GRU

در این مقاله ایده استفاده از روش شبکه عصبی بازگشتی دروازه ای (GRU) برای مدل سازی مکانی-زمانی محتوای الکترون کلی یونسفر (TEC) به عنوان یک مدل جدید پیشنهاد شده است. در این نوع شبکه عصبی برخلاف شبکه های عصبی معمولی، مشکل محوشدگی گرادیان وجود نداشته و از لحاظ محاسبات نیز بسیار ساده و سبک است. کارایی مدل جدید با استفاده از مشاهدات 15 ایستگاه GPS در شمال غرب ایران ارزیابی شده و برای محاسبه دقت مدل GRU، دو ایستگاه کنترل داخلی و سه ایستگاه کنترل خارجی در نظر گرفته شده است. لازم به ذکر است که آموزش مدل GRU با استفاده از پارامترهای طول و عرض جغرافیایی ایستگاه GPS، روز از سال (DOY)، زمان (به وقت جهانی)، شاخص های ژئومغناطیسی AP، KP و DST و شاخص فعالیت خورشیدی (F10.7) انجام می شود. همچنین TEC در راستای زنیت (VTEC) مرتبط با پارامترهای ورودی به عنوان خروجی مطلوب در نظر گرفته شده است. نتایج مدل جدید با نتایج شبکه عصبی مصنوعی (ANN)، نقشه های جهانی یونسفر (GIM) و مدل تجربی IRI2016 مقایسه می شود. همچنین تأثیر TEC مدل سازی شده در تعیین موقعیت نقطه ای دقیق (PPP) مورد بررسی قرار گرفته است. در مرحله ارزیابی، مقدار میانگین RMSE مدل های ANN و  GRU و GIM و IRI به ترتیب برابر با 2.42، 1.76، 3.02 و 6.91 TECU به دست آمد. همچنین میانگین خطای نسبی مدل ها به ترتیب برابر با 12.93%، 10.75%، 16.82% و 26.56% حاصل شد. تجزیه و تحلیل روش PPP بهبود 45 میلی متری در مؤلفه های مختصات با استفاده از مدل GRU را نشان می دهد. نتایج به دست آمده حاکی از این است که در فعالیت های ژئومغناطیسی و خورشیدی بالا و پایین، مدل GRU نسبت به مدل های دیگر از دقت بالاتری برخوردار است.

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.