9478

پيش‌بيني سهام‌هاي انرژي با استفاده از شبكه‌هاي عصبي گراف و تطبيق زماني پويا

كارشناسي

مهندسي صنايع

1403

بابك اميري

روزبه قوسي

1403/08/30

دانشكده مهندسي صنايع

Energy Stock Price Prediction Using Graph Neural Networks and DTW

پيش‌بيني قيمت سهام انرژي به دليل نقش حياتي انرژي در تأمين نيازهاي اقتصادي و صنعتي از اهميت بالايي برخوردار است. نوسانات قيمت سهام انرژي مي‌تواند ناشي از عوامل متعددي مانند رويدادهاي ژئوپليتيكي، تغييرات مقرراتي، تحولات تقاضا و فناوري‌هاي نوظهور انرژي‌هاي تجديدپذير باشد. با توجه به وزن قابل‌توجه سهام انرژي در بازارهاي مالي جهاني، پيش‌بيني دقيق قيمت‌ها براي سرمايه‌گذاران، شركت‌هاي انرژي و سياست‌گذاران ضروري است تا تصميمات آگاهانه‌اي بگيرند. رشد سريع داده‌ها، به‌ويژه با پيشرفت فناوري، امكان تحليل جامع‌تر روندهاي سهام و رفتارهاي بازار را فراهم كرده است. يادگيري ماشين (ML) با تحليل الگوهاي پيچيده در ميان داده‌هاي بزرگ، مدل‌هاي پيش‌بيني دقيق‌تري ارائه كرده و پيش‌بيني سهام انرژي را متحول ساخته است. فرآيند پيش‌بيني قيمت سهام شامل پيش‌بيني سري‌هاي زماني است، كه در آن داده‌هاي تاريخي قيمت تحليل مي‌شود تا روندها، رفتارهاي فصلي و الگوهاي تكراري شناسايي شود. در گذشته، روش‌هاي آماري مانند ميانگين‌هاي متحرك يا مدل‌هاي خودبازگشتي براي تحليل اين داده‌ها استفاده مي‌شدند. با اين حال، اين روش‌ها در مواجهه با پيچيدگي بازارهاي مدرن محدوديت‌هايي دارند. يادگيري ماشين با معرفي الگوريتم‌هايي كه قادر به پردازش مقادير وسيعي از داده‌ها و استخراج الگوهاي پيچيده‌تر هستند، اين فرآيند را بهبود بخشيده است. تكنيك‌هايي مانند شبكه‌هاي عصبي بازگشتي (RNN)، شبكه‌هاي حافظه طولاني-كوتاه مدت و شبكه‌هاي عصبي گراف (GNN) در پيش‌بيني سري‌هاي زماني بسيار موثر هستند. اين مدل‌ها داده‌هاي توالي‌محور را پردازش كرده و درك وابستگي‌هاي طولاني‌مدت در رفتار قيمت سهام را ممكن مي‌سازند. علاوه بر تاريخچه قيمت، مدل‌هاي يادگيري ماشين مي‌توانند منابع داده خارجي مانند شاخص‌هاي اقتصادي يا احساسات رسانه‌هاي اجتماعي را ادغام كنند، و با ارائه يك رويكرد جامع‌تر، دقت پيش‌بيني قيمت سهام انرژي را بهبود بخشند.

سري زماني , يادگيري ماشين , سهام انرژي , بازار مالي , يادگيري عميق , شبكه عصبي , شبكه عصبي گراف