چكيده
بازار سهام توجه گسترده اي از سرمايه گذاران را به خود جلب كرده اسيت و هميواره يي ك نقطيه دا بيرا ي
سرمايه گذاران و شركت هاي سرمايه گذاري بوده است كه بتوانند نوسانات بورس را درك كنند و روند آن را
پيش بيني كنند. در حال حاضر روش هاي زيادي براي پيش بيني قيمت سهام وجود دارد.پيش بيني دقيي ق
قيمت سهام يكي از اهداف اصلي سرمايه گذاران در بورس اوراق بهادار است. قيميت سيهام بطيور ميداوم در
حال نوسان است و تحت تأثير عوامل بسياري قرار دارد و پيش بيني روند آنها، يك كار چالش برانگيز اسيت .
عوامل بسياري در پيش بيني نقيش دارنيد: عواميل جسيم ي در مقابيل رفتارهيا ي فيزيوليو يكي ، منطقي ي و
غيرمنطقي ، احساسات سرمايه گذار ، شايعات بازار و غيره. همه اين جنبه ها باعث مي شود قيمت سهام بي-
ثبات و پيش بيني با درجه بالايي دشوار باشد. در راستاي كميك بيه بهبيود ا يي ن مشيكلات،دو گيام در ا يي ن
پژوهش دنبال شده است كه عبارتند از:
1( ايجاد مدلي جهت پيش بيني قيمت نهايي سهام با ميزان خطايي مناسب
2( كمك به معامله گر در انتخاب سهام مناسب جهت معامله .
در اين تحقيق ما به ارائه يك مدل دو مرحله اي جهت سرمايه گذاري در سهام موجود در بورس اوراق بهادار
بيه پييش بينيي قيميت سيهام، و در LSTM ايران مي پردازيم كه در مرحلهي اول با استفاده از شبكه هاي
مرحلهي دوم با استفاده از الگوريتم تفاضلي تكاملي به رتبه بندي سهام پرداخته ميي شيود و جهيت اعتبيار
استفاده ميكنيم. mse و mae سنجي شبكه از معيارهاي
بازار مالي مقدار عظيمي از داده هاي زمان واقعي ، از جمله سوابق معاملات را ايجاد مي كند. بر اين اساس ،
قصد داريم با استفاده از داده هاي مالي موجود ، الگوي پيش بيني بازار سهام جديد را توسعه دهيم. ميا بيه
دليل توانايي يادگيري عالي از مجموعه داده هاي عظيم ، تكنيك يادگيري عميق را اتخاذ كرده ايي م. شيبكه
هاي عصبي مصنوعي يكي از بهترين روش هايي مي باشد كه تا كنون نتايج مناسب تيري نسيبت بيه ديگير
روش ها جهت تخمين قيمت سهام بازار بورس ارائه داده است. بير هميين اسياس در ايين تحقييق از شيبكه
حافظه طولاني كوتاه ميدت( ( LSTM جهت پيش بيني قيمت سهام استفاده شده است. شبكه هاي LSTM
ها )شبكه هاي عصبي مكرر( است. اين الگوريتم براي اولين توسط سيپ هيوچر يتر و يي ورگن RNN يكي از
هيا ي معميول ي در پيردازش و پي يش بيني ي داده هيا ي RNN اشميتبر منتشر شد و عملكرد بهتري نسبت به
در بسياري از موضوعات به موفقيت چشيمگ يري دسيت LSTM ، مربوط به سري زماني دارد. در حال حاضر
يافته و مورد استفاده گسترده قرار گرفته است.
