پیش بینی قیمت سهام مبتنی بر شبکه های عصبی بازگشتی بهینه شده

پیش بینی بازارهای مالی و همچنین قیمت سهام همواره از چالش های اصلی فعالین حوزه بازارهای مالی است . در این پژوهش هدف ما بررسی دقت پیش بینی کنندگی خانواده شبکه ی عصبی بازگشتی شامل : شبکه عصبی بازگشتی ساده((SimpleRNN، شبکه عصبی حافظه کوتاه مدت ماندگار((Long short term memory و شبکه عصبی واحد بازگشتی دروازهای ( Gated reccurent (unit و بهینه سازی آنها با کاهش بعد ویژگی ها است و به مقایسه این دو حالت می پردازیم . برای انجام این پژوهش از دادههای شرکت نفت بهران (با نماد: شبهرن) در بازه زمانی ۱۳۸۰ تا ۱۴۰۰ به استفاده شده است . برای انجام این پژوهش از زبان پایتون و ویرایشگر VS code استفاده شده است . ویژگی های انتخاب شده برای انجام این پژوهش ، شامل هشت ویژگی پایین ترین قیمت ، بالاترین قیمت ، قیمت بسته شدن، قیمت باز شدن، حجم معاملات، ارزش معاملات، بازده روزانه ، اختلاف قمیت بسته شدن روزانه .برای بررسی هدف پژوهش به بررسی نتایج حاصل از مدلهای SimpleRNN و LSTM و GRU و LASSO-SimpleRNN و LASSO-LSTM و LASSO-GRU می پردازیم . در نهایت برای ارزیابی پژوهش از سه معیار خطای میانگین خطای مطلق ، ریشه میانگین مربعات خطا و ضریب تعیین استفاده می کنیم . نتایج نشان می دهد که استفاده از روشهای کاهش بعد در مجموعه دادههای بزرگ ثاتیر بسزایی در دقت مدل های یادگیری عمیق دارند.