31204

پيش‌بيني شاخص‌هاي بازارسهام با استفاده از روش يادگيري ماشين ، مطالعه موردي: شاخص S&P500 و شاخص نزدك بورس آمريكا

كارشناسي ارشد

مهندسي صنايع - سيستم هاي كلان

1400

1403/03/29

دكتر سعيد ميرزامحمدي

دكتر وحيد خطيبي

مهندسي صنايع

پيش‌بيني بازار سهام يك كار پر چالش در حوزه پيش‌بيني سري‌هاي زماني در نظر گرفته شده است و هميشه براي معامله گران از اهميت ويژه‌اي برخوردار بوده است. باوجود استفاده از روش‌هاي كلاسيك مانند تحليل بنيادي و تحليل تكنيكال، به علت عدم وجود قطعيت و نوسانات در قيمت و در نحوه حركت بازار سهام، اخيراً استفاده از روش‌هاي مدرن موردتوجه قرار گرفته شده است. همچنين باهدف ايجاد يك مدل پيش‌بيني مؤثر در بازارهاي مالي، ابزارهاي يادگيري خطي و ماشيني و شبكه عصبي در چند دهه گذشته مورد بررسي قرار گرفته‌اند. اخيراً، با در نظر گرفتن نوسانات بالاي قيمت‌ها مدل‌هاي يادگيري عميق به‌عنوان مرزهاي جديد براي اين موضوع معرفي شده‌اند و توسعه سريع آن براي رسيدن به نتايج مطلوب، با سرعت زيادي در حال انجام است. زيرا اين مدل‌ها، از قدرت بالايي در استخراج ويژگي‌ها و كشف نتايج از داده‌هاي خام بدون داشتن دانشي برخوردار هستند و مي‌تواند روش مناسبي براي پيش‌بيني قيمت‌ها و بازارهاي مالي باشند. در اين مطالعه به بررسي دو شاخص بورس آمريكا، شاخص S&P500 و NASDAQ و پيش‌بيني اين دو شاخص با استفاده از روش‌هاي يادگيري ماشين و يادگيري عميق پرداخته شده است. مدل‌هاي استفاده شده براي پيش‌بيني اين شاخص‌ها شامل مدل‌هاي LSTM،RNN،CNN،GRU و تركيب اين روش‌ها با يكديگر جهت كم كردن خطا و پيش‌بيني بهتر مدل‌سازي شده است. همچنين داده‌ها به‌صورت داده‌هاي روزانه باقيمت بسته شدن استفاده شده و به مدل جهت يادگيري و پيش‌بيني داده شده است. درنهايت، معيارهاي عملكرد رگرسيون براي صحت سنجي نتايج به دست آمده به كارگرفته شده‌اند. نتايج حاكي از اين است كه استفاده از الگوريتم‌هاي يادگيري ماشين و يادگيري عميق مي‌تواند پيش‌بيني اين دو شاخص را با دقت بالايي انجام دهند و براي شاخص‌هاي S&P500 و NASDAQ به ترتيب در الگوريتم‌هاي GRU با دقت 0.98 و 0.97 و در الگوريتم LSTM با دقت 0.91 و 0.93 از عملكرد بهتري برخوردار هستند. همچنين تركيب الگوريتم‌هاي GRU با CNN باعث افزايش عملكرد و دقت در پيش‌بيني شده است.

1403/06/19

Prediction of stock market indices using machine learning method, Case Study : S&P500 and NASDAQ

6/18/2024 12:00:00 AM

Forecasting the stock market is a very challenging task in the field of forecasting time periods It has always been of special importance for traders. Classical methods, such as fundamental and technical analysis, are employed to understand the natural causes of fluctuations and variations in stock movements within the stock market. In recent times, there has been a growing interest in the utilization of modern methods within the stock market. In the pursuit of creating an effective forecasting model for financial markets, researchers have explored the use of linear and machine learning tools as well as neural networks over the last few decades. In light of the high price volatility, deep learning models have emerged as new frontiers in this area, with rapid developments aimed at achieving desired results at high speeds. These models are capable of efficiently extracting features and deriving results from raw data without prior knowledge, making them suitable for predicting prices in financial markets. The present study focused on predicting two American stock market indexes, namely the S&P 500 and NASDAQ index, using machine learning and deep learning methods. The models employed for these predictions included LSTM, RNN, CNN, and GRU, with a combination of these methods aimed at minimizing errors and improving predictive capabilities. Daily data with the closing prices was used for training and forecasting. Additionally, regression functions were applied to validate the obtained results. The findings of the study revealed that by employing machine learning algorithms, accurate predictions can be made for these two indices. Specifically, for the S&P 500 and NASDAQ indices, the GRU algorithms achieved accuracies of 0.98 and 0.97, while the LSTM algorithm yielded accuracies of 0.91 and 0.93, respectively. Furthermore, combining GRU algorithms with CNN led to improved performance and prediction accuracy.

پيش بيني , بازارهاي مالي , يادگيري ماشين , شاخص S&P500 , شاخص NASDAQ , الگوريتم GRU , الگوريتم LSTM

Forecasting , stock market , machine learning , S&P 500 index , NASDAQ index , GRU algorithm , LSTM algorithm

Zeinab HeidariShakib

Dr. Saeed MirzaMohammadi