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 ، 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) پیش‌بینی شاخص بورس اوراق بهادار مد مدل LSTM شاخص‌کل بورس اوراق بهادار تهران

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.

ملخص الجهاز:

با توجه به اهميت مقوله پيش بيني در بازارهاي مالي، در اين پژوهش با ترکيب مدلهاي يادگيري عميق و روش تجزيه مد تجربي يکپارچه کامل (CEEMD)، مدل هيبريدي (CEEMD- DL)LSTM به منظور پيش بيني شاخص بورس اوراق بهادار تهران مورد استفاده قرار گرفته است . با توجه به اهميت مقوله پيش بيني در بازارهاي مالي ، در اين پژوهش براي اولين بار در ايران ، با ترکيب مدل هاي يادگيري عميق و روش تجزيه مد تجربي يکپارچه کامل (CEEMD١)، مدل هيبريدي (CEEMD- DL)LSTM٢ به منظور پيش بيني شاخص بورس اوراق بهادار تهران معرفي و مورد استفاده قرار مي گيرد. در اين پژوهش از داده هاي شاخص سي اس آي ٣٠٠ (CSI٣٠٠) و اس اند پي ٥٠٠ (٥٠٠ S&P) در دوره زماني ٢٠١٩ – ٢٠٠٩ استفاده شده است و در نهايت ، مدل ترکيبي يادگيري عميق با ساختار LSTM و الگوريتم CEEMDAN را به عنوان مدل بهينه در پيش بيني هاي مالي در بازارهاي نوظهور معرفي مي کنند. روند شاخص کل بورس اوراق بهادار تهران ١- برآورد مدل هاي يادگيري عميق بدون تجزيه سيگنال در اين بخش نتايج برآورد مدل هاي يادگيري عميق LSTM و CNN به عنوان دو مدل رقيب و سنتي مورد استفاده در پيش بيني هاي سري هاي زماني مالي ارائه مي گردد در ادامه نتايج اين مدل ها با مدل اصلي پژوهش بر اساس معيارهاي سنجش کارايي مقايسه مي شود. در اين پژوهش به منظور افزايش کارايي و دقت پيش بيني شاخص هاي بورس اوراق بهادار تهران ، مدل هيبريدي يادگيري عميق مبتني بر ساختار شبکه هاي عصبي (LSTM) و با استفاده از الگوريتم تجزيه مدل تجربي يکپارچه کامل (CEEMD) ارائه گرديد.

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