ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM))
عنوان مقاله: ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM))
شناسه ملی مقاله: JR_JFMZ-12-1_010
منتشر شده در در سال 1403
شناسه ملی مقاله: JR_JFMZ-12-1_010
منتشر شده در در سال 1403
مشخصات نویسندگان مقاله:
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
خلاصه مقاله:
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.
کلمات کلیدی: 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)
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1933481/