ارایه مدل پیش‌بینی تجزیه سیگنال‌های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM)) مقالة

مؤلف: صیادی نژاد، سکینه ؛ اسماعیل زاده مقری، علی ؛ یعقوب نژاد، احمد ؛

راهبرد مدیریت مالی بهار 1403 - شماره 44 التصنيف الف (Ministry of Science/ISC (‎16 صفحة - من 211 إلی 226 )

الکلمات المفتاحية: مدل های یادگیری عمیق (DL) تجزیه مد تجربی یکپارچه کامل (CEEMD) شاخص‌ بورس اوراق بهادار تهران کوتاه مدت (LSTM) شبکه عصبی کانولوشنی (CNN) Deep learning models (DL) Complete integrated empirical mode decomposition (CEEMD) Long-short-term memory (LSTM) Tehran Stock Exchange Index Convolutional neural network (CNN)

fa en

خلاصة:

ویژگی غیرخطی و نوسانات بالا در سری‌‌های زمانی مالی، پیش‌بینی قیمت سهام و شاخص‌‌های مالی را با چالش‌‌های زیادی مواجه ساخته‌است. با این حال توسعه‌‌های اخیر در مدل‌‌های یادگیری عمیق (DL) با ساختار‌هایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت‌‌هایی در تحلیل این نوع از داده‌ها ایجاد کرده است. یکی دیگر از رویکرد‌هایی که می‌تواند در تحلیل سری‌‌های زمانی مالی کارا باشد تجزیه سیگنال‌‌های بازار سرمایه از طریق الگوریتم‌‌هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می‌باشد. با توجه به اهمیت مقوله پیش‌بینی در بازار‌های مالی، در این پژوهش با ترکیب مدل‌‌های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL (LSTM) به منظور پیش‌بینی شاخص‌ بورس اوراق بهادار تهران مورد استفاده قرار گرفته‌است. در این راستا از داده‌‌های روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 01/12/1390 - 01/12/1400 استفاده شده‌است. نتایج بدست آمده با نتایج مدل‌‌های رقیب بر اساس معیار‌های سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، مدل معرفی شده (CEEMD- DL (LSTM))، در مقایسه با مدل‌‌های سنتی در این حوزه، از کارایی و دقت پیش‌بینی بالاتری برخوردار است. بر همین اساس کاربرد این مدل در پیش‌بینی‌‌های مالی پیشنهاد می‌گردد.

استلام ملف الإرجاع :
(پژوهیار, , , )

تحميل
تحميل HTML

رابط قصير:

صفحة:

دخول / الاشتراک

تحتاج الدخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.

دخول

الاشتراک

تحتاج دخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.
إن كنت لا تقدر علی شراء الاشتراك عبرPayPal أو بطاقة VISA، الرجاء ارسال رقم هاتفك المحمول إلی مدير الموقع عبر webmaster@noormags.com .

You need Sign in to view the content of the article. If you are not a member, proceed from part Sign up.
If you fail to purchase subscription via PayPal or VISA Card, please send your mobile number to the Website Administrator via webmaster@noormags.com .

دخول / الاشتراک

تحتاج الدخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.

دخول

الاشتراک