سکینه صیادی نژاد - دانشجو دکتری مهندسی مالی،گروه مدیریت مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران
علی اسماعیل زاده مقری - دانشیار، گروه حسابداری،واحد اسلامشهر، دانشگاه آزاد اسلامی،تهران،ایران و استاد مدعو دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران
محمد رضا رستمی - دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران و استاد مدعو دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران
احمد یعقوب نژاد - دانشیار، گروه حسابداری، واحد تهران مرکز، دانشگاه آزاد اسلامی،تهران،ایران

ویژگی غیرخطی و نوسانات بالا در سری­ های زمانی مالی، پیش­بینی قیمت سهام و شاخص­ های مالی را با چالش­ های زیادی مواجه ساخته­است. با این حال توسعه­ های اخیر در مدل­ های یادگیری عمیق (DL) با ساختار هایی مانند حافظه طولانی کوتاه مدت (LSTM)  و شبکه عصبی کانولوشنی (CNN) پیشرفت­ هایی در تحلیل این نوع از داده­ها ایجاد کرده است. یکی دیگر از رویکرد هایی که می­تواند در تحلیل سری­ های زمانی مالی کارا باشد تجزیه سیگنال­ های بازار سرمایه از طریق الگوریتم­ هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می­باشد. با توجه به اهمیت مقوله پیش­بینی در بازار های مالی، در این پژوهش با ترکیب مدل­ های 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 داده­ های روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی ۰۱/۱۲/۱۳۹۰  - ۰۱/۱۲/۱۴۰۰  استفاده شده­است. نتایج بدست آمده با نتایج مدل­ های رقیب بر اساس معیار های سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، مدل معرفی شده (CEEMD- DL(LSTM))، در مقایسه با مدل­ های سنتی در این حوزه، از کارایی و دقت پیش­بینی بالاتری برخوردار است. بر همین اساس کاربرد این مدل در پیش­بینی­ های مالی پیشنهاد می­گردد.

مدل های یادگیری عمیق (DL), تجزیه مد تجربی یکپارچه کامل (CEEMD), شاخص بورس اوراق بهادار تهران, حافظه بلندمدت &ndash, کوتاه مدت (LSTM), شبکه عصبی کانولوشنی (CNN)