ارائه مدلي براي پيش بيني قيمت سهام مبتني بر CNN-LSTM بهينه شده در بورس اوراق بهادار تهران

هدف: يكي از مهم‌ترين اهداف سرمايه‌گذاران و معامله‌گران بازار‌هاي مالي شناخت رفتار قيمت سهام است. پيش‌بيني قيمت، مي‌تواند به افراد در مورد خريد، فروش يا نگهداري سهام كمك كند تا با زمان‌بندي موثر معاملات، سود بالقوه را به حداكثر يا زيان را به حداقل برسانند. به دليل رفتار غير‌خطي قيمت و وابستگي آن به عوامل گوناگون پيش‌بيني قيمت كار دشواري است كه براي مقابله با اين چالش، در اين پژوهش از مدل‌هاي يادگيري عميق كمك گرفته مي‌شود كه زير شاخه‌اي از مدل‌هاي يادگيري ماشين هستند. ساختار مدل‌هاي يادگيري عميق به دليل تمركز بر روي تعداد لايه‌هاي بيشتر و استفاده از گره‌هاي به هم پيوسته (نورون‌ها) در مواجه با مقادير زيادي داده عملكرد مناسبي دارند و به دليل توانايي آن‌ها در شناخت الگو‌ها و روابط، امكان ارائه پيش‌بيني دقيق‌تري از قيمت‌ها را فراهم مي‌كنند.روش: در اين پژوهش، براي پيش‌بيني قيمت‌ سهام در بازار بورس اوراق بهادار تهران از دو مدل پيشنهادي LSTM-CNN و CNN-LSTM به وسيله بهينه‌سازي هايپرپارامتر‌ها توسط الگوريتم PSO كه يك الگوريتم بهينه‌سازي مبتني بر جمعيت است و تكنيك‌هاي تقويت مدل شامل: آموزش خصمانه، مكانسيم توجه و بلوك باقي‌مانده استفاده شده است. اين مدل‌ها با مدل‌هاي CNN،LSTM وCNN-LSTM مورد مقايسه قرار گرفته ‌اند. جهت دستيابي به اين هدف، داده‌هاي10سهم از تاريخ20 شهريور 1392 تا تاريخ20 شهريور 1402 مورد بررسي قرارگرفته‌است.داده‌هاي ورودي شامل: قيمت‌هاي تعديل‌شده سهم، انديكاتور‌ها، اسيلاتور‌ها، قيمت دلارآزاد آمريكا و نرخ تورم مي‌باشد.يافته‌ها: مقايسه نتايج معيار هاي ارزيابي شامل چهار معيار RMSE، MAE، R-squared و MAPE نشان از عملكرد مطلوب  دو مدل پيشنهادي با ساير مدل ها مي دهد. علاوه بر اين، مدل پيشنهادي LSTM-CNN  توانسته بهترين عملكرد را به ثبت رساند. همچنين، بررسي نتايج دو مدل پيشنهادي، با و بدون الگوريتم PSO  مشخص كرد كه اين الگوريتم به بهينه سازي مدل ها كمك مي كند. در نهايت، بررسي استراتژي هاي مبتني بر مدل‌هاي پيشنهادي بر روي پنج سهم از پنج صنعت مختلف در چهار دوره زماني نشان از عملكرد مالي برتر آن‌ها مي دهد. به عبارت ديگر، مدل‌هاي پيشنهاديLSTM-CNN  و  CNN-LSTMتوانسته‌اند در معيار بازده مالي و نسبت شارپ در مقايسه با ساير استراتژي ها موفقيت مطلوبي به‌دست آورند كه مدل پيشنهاديLSTM-CNN  مطلوب ترين عملكرد را به ثبت رسانده است.نتيجه‌گيري: هايپرپارامترها، پارامترهايي هستند بر روي خروجي مدل‌ها تاثير دارند و با تغيير هركدام از اين هايپارامترها نتايج مختلفي به‌دست‌ مي‌آيد كه مي‌تواند مناسب يا غير مناسب باشند اين پارامترها در طول آموزش ياد نمي‌گيرند و بايد قبل از آموزش تنظيم شوند. طبق نتايج به‌دست‌ آمده، بهينه‌سازي هايپرپارامترها، مي‌تواند سهم را بر اساس رفتار آن سهم بهينه كند كه اين امر منجر به پيش‌بيني دقيق‌تر قيمت مي‌شود. همچنين، با استفاده از مدلLSTM-CNN  استخراج ويژگي‌ها از داده‌ها  و شناسايي و درك وابستگي‌ها در ويژگي‌هاي استخراج شده به طور مناسب‌تري از CNN-LSTM صورت مي‌گيرد كه مي‌تواند در بهبود دقت پيش‌بيني كمك كند.