پیش بینی قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه مولد تخاصمی
محورهای موضوعی : دانش مالی تحلیل اوراق بهاداررضا 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
کلید واژه: یادگیری عمیق, شبکه مولد تخاصمی, پیشبینی بازار سهام, بازارهای مالی.,
چکیده مقاله :
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.
Investors are willing to invest in the capital market which would earn a proper profit and would make the possibility of an accurate forecast of future trends and prices. In this regard, deep learning (DL) networks have been able to help in predicting the capital market movement. Due to the high capacity of DL approaches in many fields due to their strong capacity, they have been widely used in financial issues such as stock market movement prediction, portfolio optimization, financial information processing, etc. Recently, generative adversarial networks (GANs) illustrated suitable results intending to analyze and predict time series data. Therefore, in this study, the GAN consisting of a convolutional neural network as a generator and long short-term memory in the adversarial network is proposed for stock price prediction. In addition, in order to increase the accuracy of the network, other DL approaches have been used in network training. The results of the daily data of the Tehran Stock Exchange between 1394 to 1398 demonstrate that the prediction accuracy of the GAN network using the most appropriate features is up to 10%. The experimental results of this model show that the GAN network with the mentioned architecture can have a promising performance in stock price prediction compared to other DL models.