كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / نهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

پیش‌‌بینی قیمت سهام با استفاده از شبکه عصبی بازگشتی، واحد بازگشتی دروازه‌‌ای و حافظه کوتاه مدت ماندگار: بررسی شرکت ایران خودرو

نویسندگان :

مرتضی مرادی¹

1- دانشگاه صنعتی ارومیه

کلمات کلیدی :

یادگیري عمیق،شبکه عصبی بازگشتی،واحد بازگشتی دروازه‌‌ای،حافظه کوتاه مدت ماندگار،پیش‌‌بینی قیمت سهام،ایران خودرو،Deep learning،LSTM،GRU،stock price forecasting

چکیده :

پیش‌‌بینی دقیق قیمت سهام یکی از مهم‌‌ترین اقدامات در بازارهای سرمایه است. سرمایه‌گذاران می‌توانند با پیش‌بینی قیمت سهام زمان‌بندی بهتری برای ورود و خروج خود در بازار داشته باشند. این اقدام به آن‌‌ها اجازه می‌دهد تا معاملات سودآورتری داشته باشند. در این مقاله به پیش‌بینی قیمت پایانی سهم در روز معاملاتی آینده برای شرکت ایران خودرو که با نماد "خودرو" در بورس تهران معامله می‌‌شود، پرداخته شده است. قیمت پایانی در قالب یک سری زمانی چند متغیره و بر اساس ویژگی‌‌های قیمت و ویژگی‌‌های فنی (تکنیکال) در پنج روز گذشته پیش‌‌بینی شده است. ویژگی‌‌های قیمت شامل اولین قیمت، بالاترین قیمت، پایین‌‌ترین قیمت، آخرین قیمت و قیمت پایانی و ویژگی‌‌های فنی شامل حجم معاملات و شاخص قدرت نسبی است. پیش‌‌بینی قیمت با استفاده از الگوریتم‌‌های شبکه عصبی بازگشتی، حافظه کوتاه مدت ماندگار و واحد بازگشتی دروازه‌‌ای صورت گرفته است. این الگوریتم‌‌ها جزء تکنیک‌‌های مهم یادگیری عمیق در تحلیل داده‌‌های دنباله‌‌ای به‌‌خصوص پیش‌‌بینی سری‌‌های زمانی می‌‌باشند. نتایج حاصل از پیش‌‌بینی‌‌های این الگوریتم‌‌ها با استفاده از شاخص‌‌های RMSE و R2 با هم مقایسه شده‌‌اند. این کار بر اساس 200 بار تکرار برای هر الگوریتم و با به‌‌کارگیری روش تحلیل واریانس و آزمون ولچ و سپس مقایسه جفتی گِیمز-هاول انجام شده است. نتایج بیان‌‌گر آن است که عملکرد الگوریتم‌‌های واحد بازگشتی دروازه‌‌ای و حافظه کوتاه مدت ماندگار، بر اساس هر دو شاخص ارزیابی تفاوت معناداری ندارند، ولی هر دوی آن‌‌ها نسبت به شبکه عصبی بازگشتی بر اساس هر دو شاخص ارزیابی پیش‌‌بینی بهتری ارائه می‌‌دهند.