مقایسه عملکرد دو مدل شبکه عصبی عمیق BiLSTM و CNN در پیش بینی قیمت سهام (مطالعه موردی: بورس اوراق بهادار تهران)

شبکه های عصبی به عنوان یک پیشرفت تکنولوژیک در زمینه یادگیری عمیق به ویژه در پردازش داده هایساختار بافته شناخته شده اند. این شبکه ها قابلیت یادگیری ویژگی های پیچیده و تعلیم بدون نظارت را دارند. در زمینهپیش بینی قیمت سهامt شبکه های عصبیt به ویژه مدل هایی مانند شبکه های عصبی پیچشی (CNN) و حافظه طولانیکوتاه مدت دوطرفه (BiLSTM) بهدلیل تونایی در درک الگوهای زمانی پیچیده و تعاملات غیرخطی, مورد توجه قرارگرفته اند. این شبکه ها قادر به استخراج ویژگی های مهم از داده های زمانی متنوع قیمت سهام هستند و می توانند بهبود قابلتوجهی در دقت پیش بینی قیمت آینده سهام داشته باشند. این مقاله به بررسی پیش بینی قیمت سهام با استفاده از دو روشیادگیری عمیق CNN و BiLSTM و بررسی کارایی آن ها در بورس اوراق بهادار تهران می پردازد. هدف اصلی این پژوهش،پیش بینی دقیق تر قیمت سهام در بازه یک ساله با دو روش دکر شده است. در این مطالعه. از داده های تاریخی قیمت سهام۵ شرکت فعال در بورس اوراق بهاردار تهران استفاده شده است. برای پش بینی از مدل های CNN و BiLSTM که زیرشاخه ای از یادگیری عمیق هستند. بهره برده شده است. تحلیل داده ها با استفاده از ابزارهای مالی و کدنویسی مناسب دربستر پایتون ۲ انجام شد. نتایج نشان دادند به طور میانگین مدل BiLSTM عملکرد بهتری نسبت به CNN در پیش بینیقیمت، با توجه به میزان خطای دریافت شده از مدل ها دارد. در نهایت، این پژوهش به بهبود استراتژی های سرمایه گذاریبر اساس پیش بینی قیمت سهام با استفاده از شبکه های عصبی می پردازد.

کلیدواژه ها:

شبکه های عصبی ، پیش بینی قیمت سهام ، شبکه های عصبی پیچشی (CNN) ، حافظه طولانی کوتاه مدت دو طرفه (BiLSTM) ، یادگیری عمیق