پيش‌‌بيني قيمت سهام با استفاده از شبكه عصبي بازگشتي، واحد بازگشتي دروازه‌‌اي و حافظه كوتاه مدت ماندگار: بررسي شركت ايران خودرو

Stock Price Forecasting Using Recurrent Neural Network, Gated Recurrent Unit, and Long Short-Term Memory: A Case of Iran Khodro Company

پيش‌‌بيني دقيق قيمت سهام يكي از مهم‌‌ترين اقدامات در بازارهاي سرمايه است. سرمايه‌گذاران مي‌توانند با پيش‌بيني قيمت سهام زمان‌بندي بهتري براي ورود و خروج خود در بازار داشته باشند. اين اقدام به آن‌‌ها اجازه مي‌دهد تا معاملات سودآورتري داشته باشند. در اين مقاله به پيش‌بيني قيمت پاياني سهم در روز معاملاتي آينده براي شركت ايران خودرو كه با نماد خودرو در بورس تهران معامله مي‌‌شود، پرداخته شده است. قيمت پاياني در قالب يك سري زماني چند متغيره و بر اساس ويژگي‌‌هاي قيمت و ويژگي‌‌هاي فني (تكنيكال) در پنج روز گذشته پيش‌‌بيني شده است. ويژگي‌‌هاي قيمت شامل اولين قيمت، بالاترين قيمت، پايين‌‌ترين قيمت، آخرين قيمت و قيمت پاياني و ويژگي‌‌هاي فني شامل حجم معاملات و شاخص قدرت نسبي است. پيش‌‌بيني قيمت با استفاده از الگوريتم‌‌هاي شبكه عصبي بازگشتي، حافظه كوتاه مدت ماندگار و واحد بازگشتي دروازه‌‌اي صورت گرفته است. اين الگوريتم‌‌ها جزء تكنيك‌‌هاي مهم يادگيري عميق در تحليل داده‌‌هاي دنباله‌‌اي به‌‌خصوص پيش‌‌بيني سري‌‌هاي زماني مي‌‌باشند. نتايج حاصل از پيش‌‌بيني‌‌هاي اين الگوريتم‌‌ها با استفاده از شاخص‌‌هاي RMSE و R2 با هم مقايسه شده‌‌اند. اين كار بر اساس 200 بار تكرار براي هر الگوريتم و با به‌‌كارگيري روش تحليل واريانس و آزمون ولچ و سپس مقايسه جفتي گِيمز-هاول انجام شده است. نتايج بيان‌‌گر آن است كه عملكرد الگوريتم‌‌هاي واحد بازگشتي دروازه‌‌اي و حافظه كوتاه مدت ماندگار، بر اساس هر دو شاخص ارزيابي تفاوت معناداري ندارند، ولي هر دوي آن‌‌ها نسبت به شبكه عصبي بازگشتي بر اساس هر دو شاخص ارزيابي پيش‌‌بيني بهتري ارائه مي‌‌دهند.