27297

طراحي يك مدل تركيبي يادگيري عميق براي پيش بيني قيمت سهام در بورس اوراق بهادار تهران با در نظر گرفتن ريسك سيستماتيك و تحليل نسبتي

كارشناسي ارشد

مهندسي صنايع- مهندسي مالي

1398

1401/6/28

جعفر سجادي

روزبه قوسي

مهندسي صنايع

پيش بيني قيمت سهام همواره به عنوان يك موضوع چالش برانگيز توجه پژوهشگران زيادي را به خود جذب كرده است. با پيشرفت علم و تكنولوژي همواره روش هاي نويني روي كار آمدند تا با روش هاي قديمي رقابت كنند و به پيش بيني هاي دقيق تر دست يابند. سهام بورس تهران در چند سال اخير به دلايل مختلف از جمله تغيير چندين باره ي دامنه ي نوسان و رخدادهاي سياسي كه موجب بي اعتمادي درصد زيادي از مردم شد، داراي روند هاي حركتي غير منطقي و بسيار پيچيده شده است كه پيش بيني آن را سخت تر از گذشته نموده است. انتخاب متغير و انتخاب روش پيش بيني دو موضوع بسيار تاثيرگذار در افزايش دقت پيش بيني ها هستند. ما در اين پژوهش با ساخت شانزده متغير جديد و نوآورانه و استفاده از تركيب روش هاي يادگيري عميق و رگرسيون هاي پيشرفته به بررسي سه فرضيه ي مهم در رابطه با پيش بيني سهام بورس تهران مي پردازيم. ما با طراحي سي و نه مدل تركيبي پيش بيني قيمت يك روز بعد و چهارده مدل تركيبي پيش بيني قيمت سي روز بعد و مقايسه ي آنها، بهترين روش انتخاب متغير و بهترين روش پيش بيني را براي يك روز بعد و سي روز بعد معرفي مي كنيم. نتايج نشان مي دهند كه متغيرهاي نوآورانه ي ما نقش موثري در افزايش دقت پيش بيني ها داشته اند و روش هاي طراحي شده تركيبي رگرسيون هاي پيشرفته لسو و ريج نسبت به روش هاي تركيبي مبتني بر شبكه ي عصبي و رگرسيون لسو دقت پيش بيني بيشتري دارند. در اين پژوهش از ريسك سيستماتيك و تحليل نسبتي و تحليل چند زمانه در پيش بيني قيمت استفاده شده است و به افزايش قابل ملاحظه ي دقت پيش بيني منجر شده است. بهترين مدل هاي اين پژوهش يعني مدل هاي تركيبي مبتني بر انتخاب متغير لسو و روش پيش بيني ريج توانستند در پيش بيني هاي يك روزه 96 درصد و در پيش بيني هاي سي روزه 63 درصد از تغييرپذيري متغير پاسخ را براي داده هاي تست توصيف كنند.

1401/08/20

Designing a hybrid deep learning model for stock price prediction in Tehran stock exchange considering systematic risk and ratio analysis

9/19/2023 12:00:00 AM

Stock price forecasting has always attracted the attention of many researchers as a challenging issue. With the progress of science and technology, new methods were always used to compete with the old methods and achieve more accurate predictions. In the last few years, Tehran Stock Exchange shares have had illogical and very complicated movement trends, which are more difficult to predict than has passed selection of variable and selection of prediction method are two very effective issues in increasing the accuracy of predictions. In this research, by constructing sixteen new and innovative variables and using a combination of deep learning methods and advanced regressions, we examine three important hypotheses related to the prediction of Tehran Stock Exchange stocks. We introduce the best variable selection method and the best forecasting method for one day and thirty days by designing thirty-nine combined one-day price forecasting models and fourteen thirty-day price forecasting combined models and comparing them. The results show that our innovative variables had an effective role in increasing the accuracy of predictions and the designed combined methods of advanced lasso and ridge regressions have more predictive accuracy than the combined methods based on neural network and lasso regression. In this research, systematic risk, ratio analysis, and multi-time frame analysis have been used in price forecasting, and it has led to a significant increase in forecasting accuracy. The best models of this research, i.e. the combined models based on Lasso variable selection and the ridge forecasting method, were able to describe 96% of the variability of the response variable in one-day forecasts and 63% in thirty-day forecasts for the test data.

Mohammad Reza Mahallati

Dr. sajadi