28635

بررسي عملكرد مدل هاي مبني بر شبكه عصبي بر روي داده هاي بورس ايران

كارشناسي ارشد

علوم اقتصادي- توسعه اقتصادي و برنامه‌ريزي

1400

1402/6/1

دكتر سيد جعفر سجادي

پيشرفت

پيشبيني بازده سهام و شاخص بورس از جمله مسائل مهم و جذاب در حوزه اقتصاد و اقتصاد مالي بوده است. در گذشته، عمده تلاش ها براي حل اين مسئله، با استفاده از روش هاي مبني بر رگرسيون بود. در سال هاي اخير توان پردازشي در اختيار انسان افزايش خيره كننده اي پيدا كرده است. اين پيشرفت، پژوهشگران را بر اين واداشت كه روش هاي ديگري كه موجود بود اما به دليل محدوديت هاي پردازشي امكان استفاده از آن ها براي حل اين مسئله وجود نداشت را نيز امتحان كنند. همچنين در 15 سال اخير پيشرفت هاي قابل توجه اي در زمينه يادگيري ماشين و يادگيري عميق اتفاق افتاد كه منجر به جلب توجه پژوهشگران به اين ابزار قدرتمند شد. از جمله‌ي ساختارهايي كه در گذشته وجود داشت اما به دليل محدوديت هاي پردازشي امكان استفاده از آن در پيش بيني داده هاي مالي موجود نبود، شبكه هاي حافظه كوتاه مدت بلند مدت بود. اين نوع شبكه عصبي به دليل ساختار و طراحي خاص آن براي داده هاي متوالي، عملكرد خوبي بر روي داده هاي متوالي داشته است. در اين پژوهش از سه شبكه عصبي با تعداد لايه هاي متفاوت و يك مدل بر مبني رگرسيون براي پيشبيني بازده شاخص بورس استفاده شده است. نتايج نشان ميدهد دقت پيشبيني شبكه عصبي با يك لايه، دولايه و سه لايه تفاوت چشمگيري با يكديگر ندارند و همچنين بسته به وضعيت بازار، عملكرد شبكه هاي مبني بر شبكه عصبي ميتواند بهتر يا ضعيف تر از مدل هاي رگرسيون باشد.

1402/06/08

Investigating the performance of models based on neural networks on Iranian stock market data

8/22/2024 12:00:00 AM

Forecasting stock returns and stock market index has been one of the important and attractive issues in the field of economics and financial economics. In the past, the main efforts to solve this problem were by using regression methods. In recent years, the processing power available to humans has increased dramatically. This progress made the researchers to try other methods that were available but could not be used to solve this problem due to processing limitations. Also, in the last 15 years, significant progress has been made in the field of machine learning and deep learning, which led researchers to draw attention to this powerful tool. Among the structures that existed in the past, but due to processing limitations, it was not possible to use it in the prediction of existing financial data, short-term long-term memory networks. LSTM has performed well on sequential data due to its special structure and design for sequential data. In this research, three neural networks with different number of layers and a regression-based model have been used to predict the return of the stock market index. The results show that the prediction accuracy of neural network with one layer, two layers and three layers are not significantly different from each other and also depending on the market situation, the performance of neural network-based networks can be better or weaker than regression models.

پيش بيني مالي , داده هاي مالي بلندمدت , يادگيري عميق , شبكه هاي حافظه طولاني كوتاه مدت

Financial Forecasting , Long-term Financial Data , Deep Learning , Long Short-Term Memory

Nima Afsharhajari

Seyed Jafar Sajjadi