ارزيابي روش تركيبي PSO-BiLSTM براي پيش بيني قيمت سهام با استفاده از داده‌هاي سري زماني قيمتي سهام (مطالعه موردي: سهام ارزشي بورس و فرابورس ايران)

در سال‌هاي اخير با افزايش ضريب نفوذ بازار سرمايه، افراد بيشتري متمايل به سرمايه‌گذاري در بورس شده‌اند. پيش بيني دقيق قيمت سهام با كمترين خطا مي‌تواند ريسك سرمايه‌گذاري را كاهش و بازده سرمايه‌گذاري را افزايش دهد. پيش بيني قيمت سهام به دليل نوسانات غيرخطي اغلب به عنوان مسئله‌ سري زماني غيرخطي توصيف مي‌شود كه تحت تأثير عوامل زيادي است. در اين پژوهش، روش (Bidirectional Long Short-Term Memory) BiLSTM براي پيش بيني قيمت سهام ارزيابي مي‌گردد. در اين راستا، از چندين تكنيك يادگيري ماشين جهت پيش بيني قيمت سهام با استفاده از داده‌هاي سري زماني قيمتهاي سهام استفاده مي‌شود و نهايتاً دو روش يادگيري عميق شامل الگوريتم شبكه عصبي خود بازگشتي (Long Short-Term Memory) و الگوريتم شبكه عصبي خود بازگشتي دوطرفه (BiLSTM) در اين راستا پياده‌سازي و نتايج آنها مقايسه مي‌شوند. داده‌هاي سري زماني مشخصه‌هاي قيمتي شامل قيمت باز، قيمت بسته، قيمت بالا و قيمت پايين براي سهام ارزشي شركت‌هاي پذيرفته شده در بورس و فرابورس اوراق بهادار تهران از ابتداي سال ۱۳۹۲ تا پايان سال ۱۳۹۸، در جهت پياده سازي روش‌هاي مذكور به عنوان مطالعه موردي استفاده مي‌گردند. نتايج اين پژوهش نشان داد كه مدل تركيبي PSO-BiLSTM در نظر گرفتن معيارهاي ارزيابي RMSE و R-Square خطاي كمتري در پيش بيني قيمتهاي سهام مورد مطالعه و عملكرد بهتري نسبت به الگوريتم‌هاي SVM ،CART ، MLP، LSTM و BiLSTM دارد.