كاربرد معماري‌هاي يادگيري عميق در پيش‌بيني قيمت سهام ‏(رويكرد شبكه عصبي پيچشي ‏CNN‏)‏

اهداف: الگوريتم‌هاي مبتني بر شبكۀ عصبي پيچشي (CNN) كه شاخه‌اي از مبحث يادگيري عميق است، در سال‌هاي اخير پيشرفت چشمگيري در حوزه‌هاي تحليل فيلم و تصوير داشته‌اند؛ موفقيت و پذيرفته‌‌شدن الگوهاي نوين اين حوزه باعث به‌كارگيري گستردۀ آنها در زمينه‌هاي مختلف اعم از تحليل متن و داده‌هاي سري زماني شده است. يادگيري عميق بخشي از الگوريتم‌هاي يادگيري ماشيني است كه در آن از چندين لايۀ پردازش اطلاعات به‌ويژه اطلاعات غيرخطي استفاده مي‌شود تا از ورودي خام، بهترين ويژگي‌هاي مناسب با هدف تحليل، بازشناخت الگو يا پيش‌بيني استخراج شود.روش: در پژوهش حاضر توانايي معماري‌هاي مختلف الگوريتم CNN براي پيش‌بيني قيمت سهام بررسي شده است.نتايج: نتايج حاصل از اجراي الگوريتم به تعداد 54 دفعه با معماري‌ها و پارامترهاي متفاوت و با استفاده از دو دستۀ اصلي داده‌هاي ورودي شامل اطلاعات قيمتي روزانۀ سهام و ده شاخص منتخب تكنيكال براي سهام شركت ذوب‌آهن اصفهان نشان‌دهندۀ آن است كه استفاده از CNN همراه با لايۀ ادغام بيشينه (تركيب پارامترهاي اندازۀ دستۀ 64، تعداد فيلتر 256 و با تابع فعال‌سازي ReLU)، داراي خطاهاي درصد 1/79 = MAPE و درصد 2/71 =  NRMSE است كه نشان‌دهندۀ عملكرد بهتر آن نسبت‌به ساير معماري‌ها و الگوريتم RNN است.