Abstract:
امروزه انواع مدلهای هوش مصنوعی جایگاه خود را در محاسبات و پیشبینیهای بازارهای مالی تثبیت کردهاند؛ در این میان معماریهای مبتنی بر یادگیری عمیق که خود براساس الگوریتمهای یادگیری ماشینی میباشند، از طریق رفع ضعفهای مدلهای سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفتهاند. مهمترین مزیت الگوریتمهای یادگیری عمیق نسبت به مدلهای سنتی شبکه عصبی، استخراج خودکار ویژگیهای مناسب از ورودیهای خام می-باشد که از آن برای روند یادگیری مدل استفاده میکند؛ به عبارتی الگوریتمهای این روش از چندین لایهی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره میبرند تا بهترین ویژگیهای مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماریهای الگوریتم حافظه کوتاهمدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقهبندی عوامل موثر بر قیمت سهام، مولفههای نشاندهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه دادههای قیمتی، شاخصهای تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد.
Forecasting stock prices plays an important role in setting a trading strategy or determining the appropriate timing for buying or selling a stock. Deep Learning (DL) is a type of Artificial Neural Network (ANN) that consists of multiple processing layers and enables high-level abstraction to model data. The key advantage of DL models is extracting the good features of input data automatically using a general-purpose learning procedure which is suitable for dynamic time series such as stock price.In this research the ability of Long Short-Term Memory (LSTM) to predict the stock price is studied; moreover, the factors that have significant effects on the stock price is classified and legal and natural person trading is introduced as an important factor which has influence on the stock price. Price data, technical indexes and legal and natural person trading is used as an input data for running the model. The results obtained from LSTM with Dropout layer are better and more stable than simple form of LSTM and RNN models.
Machine summary:
ارزيابي و اعتبارسنجي معماري بهينه يادگيري عميق در پيش بيني قيمت سهام (رويکرد الگوريتم حافظه کوتاه مدت ماندگار LSTM ) امير شريف فر١ 2 تاريخ دريافت مقاله : ١٤٠٠/٠١/١٦ تاريخ پذيرش مقاله : ١٤٠٠/٠٢/١١ مريم خليلي عراقي ايمان رئيسي واناني ٣ 4 ميرفيض فلاح چکيده امروزه انواع مدل هاي هوش مصنوعي جايگاه خود را در محاسبات و پيش بينيهاي بازارهاي مالي تثبيت کرده اند؛ در اين ميان معماريهاي مبتني بر يادگيري عميق که خود براساس الگوريتم هاي يادگيري ماشيني ميباشند، از طريق رفع ضعف هاي مدل هاي سنتي شبکه عصبي در خصوص پيش بيني ساختارهاي ديناميک ، مورد توجه قرار گرفته اند.
نتايج تحقيق نشان از عملکرد بهتر معماري LSTM همراه با لايه Drop Out نسبت به مدل ساده آن و همچنين مدل RNN دارد کلمات کليدي پيش بيني قيمت سهام ، يادگيري عميق ، حافظه کوتاه مدت ماندگار LSTM، شبکه عصبي بازگشتي RNN ١-دانشجوي دکتري، گروه مديريت مالي، واحد علوم و تحقيقات ، دانشگاه آزاد اسلامي، تهران ، ايران .
از ميان تکنيک هاي مختلف يادگيري عميق که در علوم مختلف کاربردهاي فرآواني دارد، پژوهشگران حوزه مالي جهت پيش بيني قيمت با توجه به ويژگيهاي سريهاي 349 زماني مالي، عمدتاً از معماريهاي بخصوصي نظير شبکه عصبي بازگشتي (RNN)٣ و حافظه کوتاه مدت ماندگار (LSTM) استفاده کرده اند [٣٦].
اين امر باعث گرديده تکنيک هاي يادگيري عميق در حوزه گسترده اي از علوم مختلف مانند پردازش تصوير، فيلم ، گفتار، تحليل متن و سريهاي زماني استفاده شود؛ از اين ميان در حوزه پيش بيني قيمت سهام عمدتاً الگوريتم هاي شبکه عصبي بازگشتي (RNN) و حافظه کوتاه مدت ماندگار (LSTM) مورد توجه محققين ميباشد که در ادامه بدان پرداخته شده است .