ارايه مدل پيش‌بيني تجزيه سيگنال‌هاي بازار سرمايه با استفاده از رويكرد (CEEMD- DL(LSTM))

ويژگي غيرخطي و نوسانات بالا در سري ‌هاي زماني مالي، پيش بيني قيمت سهام و شاخص ‌هاي مالي را با چالش ‌هاي زيادي مواجه ساخته است. با اين حال توسعه ‌هاي اخير در مدل ‌هاي يادگيري عميق (DL) با ساختار‌هايي مانند حافظه طولاني كوتاه مدت (LSTM)  و شبكه عصبي كانولوشني (CNN) پيشرفت ‌هايي در تحليل اين نوع از داده ها ايجاد كرده است. يكي ديگر از رويكرد‌هايي كه مي تواند در تحليل سري ‌هاي زماني مالي كارا باشد تجزيه سيگنال ‌هاي بازار سرمايه از طريق الگوريتم ‌هايي مانند تجزيه مد تجربي يكپارچه كامل (CEEMD) مي باشد. با توجه به اهميت مقوله پيش بيني در بازار‌هاي مالي، در اين پژوهش با تركيب مدل ‌هاي يادگيري عميق و روش تجزيه مد تجربي يكپارچه كامل (CEEMD)، مدل هيبريدي  CEEMD- DL(LSTM)به منظور پيش بيني شاخص بورس اوراق بهادار تهران مورد استفاده قرار گرفته است. در اين راستا از داده ‌هاي روزانه شاخص كل بورس اوراق بهادار تهران در دوره زماني 1390/12/01  - 1400/12/01  استفاده شده است. نتايج بدست آمده با نتايج مدل ‌هاي رقيب بر اساس معيار‌هاي سنجش كارايي مقايسه شد. بر اساس نتايج بدست آمده، مدل معرفي شده (CEEMD- DL(LSTM))، در مقايسه با مدل ‌هاي سنتي در اين حوزه، از كارايي و دقت پيش بيني بالاتري برخوردار است. بر همين اساس كاربرد اين مدل در پيش بيني ‌هاي مالي پيشنهاد مي گردد.