پیش بینی قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه مولد تخاصمی

الموضوعات : دانش مالی تحلیل اوراق بهادار

رضا راعی ¹ , علی نمکی ² , سعید باجلان ³ , سارا نجف زاده ⁴

1 - استاد، گروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران، تهران، ایران(نویسنده مسئول)
2 - استادیار، گروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران، تهران، ایران.
3 - ستادیار، گروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران، تهران، ایران
4 - کارشناس ارشد، گروه مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

تاريخ الإرسال : 23 الأربعاء , ربيع الأول, 1444 تاريخ التأكيد : 26 الأحد , محرم, 1445 تاريخ الإصدار : 25 السبت , رجب, 1446

الکلمات المفتاحية: یادگیری عمیق, شبکه مولد تخاصمی, پیش‌بینی بازار سهام, بازارهای مالی.,

ملخص المقالة :

سرمایه‌گذاران زمانی مایل به سرمایه‌گذاری در بازار سرمایه می‌باشند که بتوانند سود مناسبی از فعالیت خود کسب نمایند و این مهم از طریق داشتن پیش‌بینی مناسب از روندها و قیمت‌های آتی امکان‌پذیر است. در این راستا شبکه‌های یادگیری عمیق توانسته‌اند کمک زیادی به پیش‌بینی روند حرکتی بازار سرمایه داشته باشند. یادگیری عمیق به دلیل ظرفیت قوی در فرآیند داده‌کاوی اخیراً در بسیاری از زمینه‌ها به موفقیت‌های زیادی دست یافته‌است. به عنوان مثال، در زمینه‌های مالی از جمله پیش‌بینی حرکت بازار سهام، بهینه سازی سبد سهام، پردازش اطلاعات مالی و ... به طور گسترده‌ استفاده شده است. اخیراً شبکه‌های مولد تخاصمی (GAN) با هدف تحلیل و پیش‌بینی داده‌های سری زمانی نتایج قابل قبولی نشان دادند. از اینرو در این مقاله، شبکه GAN متشکل از شبکه عصبی پیچشی به عنوان مولد و حافظه کوتاه مدت طولانی در شبکه متخاصم برای پیش‌بینی قیمت سهام، پیشنهاد شده‌است. علاوه بر این به منظور افزایش دقت پیش‌بینی قیمت سهام در آموزش شبکه از روش‌های انتخاب ویژگی استفاده شده‌است. نتیجه پژوهش بر روی داده‌های روزانه بورس اوراق بهادار تهران در سال‌های 1394 تا 1398 نشان می‌دهد که دقت پیش‌بینی شبکه GAN در صورت آموزش با استفاده از مناسبترین ویژگی‌ها تا 10 درصد نسبت به سایر شبکه‌های یادگیری عمیق برتری دارد. نتایج تجربی این مدل نشان می‌دهد که شبکه GAN با معماری مذکور می‌تواند عملکرد امیدوارکننده‌ای در پیش‌بینی قیمت سهام در مقایسه با سایر مدل‌های یادگیری عمیق داشته باشد.