پیشبینی سری های زمانی مالی با استفاده از شبکه عصبی عمیق خودرمزنگار

پیشبینی سری های زمانی مالی یکی از مباحث داغ و مورد علاقه برای بسیاری از سرمایه گذاران می باشد. از آنجا که داده های سری زمانی مالی ماهیتی non - stationary و غیرخطی دارند پیشبینی این بازار به خودی خود می تواند بسیار چالش برانگیز باشد. نویز و ناهنجاری نیز پدیده جدا نشدنی داده های ازنوع سری زمانی هستند که پیش بینی این داده های ماهیتا پیچیده را دشوار تر می کنند. رفتارهای هیجانی سرمایه گذاران می تواند باعث ایجاد الگوهایی بر خلاف روند معمول بازار گردد که شناسایی و حذف این الگوها می تواند در ادامه پیشبینی روند بازار موثر واقع گردد. در اینجا سعی شده تا با استفاده از یک Autoencoder داده های مربوط رفتارهای هیجانی بازار را شناسایی کرده و با جایگذاری بهینه این ناهنجاری ها داده های بهتری را در اختیار یک شبکه عمیق LSTM که به عنوان مدل نهایی جهت پیشبینی بازار مورد استفاده واقع شده است قرار دهیم. نتایج بدست آمده نشان می دهد که انجام پیش پردازش بر روی داده ها باعث بهبود عملکرد مدل و کاهش خطای پیشبینی می شود به طوریکه خطای پیشبینی با روش ارائه شده در کمترین حالت بر اساس توابع ،RMSE MAPE و MAE به ترتیب ۴، ۴ و ۵ درصد بهود داشته است.