شماره ركورد
7483
پديد آورنده
فراز بداغي
عنوان
پيشبيني نوسانات قيمت سهام شركتهاي ريلي در بازار بورس تهران با بهرهگيري از يادگيري عميق
مقطع تحصيلي
كارشناسي
رشته تحصيلي
مهندسي ماشينهاي ريلي
سال فارغ التحصيلي
1400
استاد راهنما
دكتر امين اوحدي اصفهاني - دكتر ملودي خادم ثامني
دانشجوي وارد كننده اطلاعات
فراز بداغي
تاريخ ورود اطلاعات
1400/08/08
دانشكده
مهندسي راهآهن
عنوان به انگليسي
Prediction of Stock Price Volatilities of Railway Companies in the Tehran Stock Exchange Using Deep Learning
چكيده
بازار سرمايه به عنوان يك بازوي تأمين مالي در كشور، ميتواند نقش اساسي در پروژههاي بلند مدت ايفا كند، همچنين ميتواند تأمين مالي در مقياسهاي بزرگ را عهدهدار شود. كما اينكه سياست كلي كشور اصلاح نظام تأمين مالي و حركت از تأمين مالي بانكمحور به سوي تأمين مالي مبتني بر بازار سرمايه است. لذا بايد از اين ظرفيت و فرصت در جهت تكميل زيرساختهاي مختلف كشور از جمله زيرساختهاي ريلي استفاده نمود. چرا كه كليد توسعه اقتصادي و سياسي كشور، در دستان صنعت حمل و نقل و به ويژه حوزه ريلي است.
از سوي ديگر اگرچه توسعه حمل و نقل ريلي در اقتصاد كلان كشور آثار بسيار مثبت و مبرهن دارد و سرمايهگذاري در اين بخش به رونق ساير بخشهاي اقتصادي منجر ميشود، اما ممكن است در بازگشت سرمايه آن تأخير يا ابهاماتي وجود داشته باشد كه همين امر موجب كاهش جذابيت سرمايهگذاري در اين حوزه ميگردد. از اين رو پيشبيني قيمت و ارزش آتي سهام شركتهاي ريلي فعال در بورس بنا به ضرورت آيندهنگري به منظور گام برداشتن در مسيرهاي سرمايهگذاري مطمئن و دستيابي به تأمين مالي پايدار بسيار حائز اهميت خواهد بود.
روشهاي يادگيري عميق به عنوان زيرمجموعهاي از روشهاي هوش مصنوعي و شبكههاي عصبي، به واسطة برخورداري از خصوصيات بينظيري مانند توانايي يادگيري و توانايي تشخيص الگوهاي مشابه و مقاومت در مقابل خطا ميتوانند كانديداي مناسبي براي پيشبيني سهام، كه از منطق بسيار پيچيدهاي برخوردار است، باشند.
در پژوهش حاضر، پيشبيني قيمت بسته شدن سهام رمپنا و توريل در بازار بورس تهران با استفاده از روشهاي يادگيري عميق مورد بررسي قرار گرفته است. در مرحله پيشپردازش دادهها، ابتدا به بررسي و تحليل مانايي دادهها پرداخته شده است. سپس به منظور حذف نويز و هموارسازي دادهها از روش تبديل موجك گسسته استفاده شده است. به منظور پيشبيني قيمت سهام از شبكههاي عصبي عميق همچون شبكههاي حافظه كوتاه-مدت ماندگار، شبكههاي عصبي پيچشي و مدلهاي تركيبي بهره گرفته شده است. در نهايت به منظور ارزيابي كارآيي روشهاي ياد شده برخي از معيارهاي خطا محاسبه شده و با نتايج ساير مقالات و پژوهشهاي اخير مقايسه شده است. نتايج استحصال شده كارآيي روشهاي يادگيري عميق مورد استفاده را نشان ميدهند.
كليدواژه ها
يادگيري عميق - Deep learning , تحليل و بررسي داده - Data analysis , پيشبيني قيمت سهام - Stock market prediction , شركتهاي ريلي - Railway companies