دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

بررسی عملکرد روش شبکه عصبی بازگشتی( RNN ) حافظه طولانی کوتاه مدت ( LSTM ) در پیش بینی قیمت سهام

نوع مقاله : مقاله پژوهشی

نویسندگان
حسین عامری شهرابی 1
احسان طیبی ثانی 2
1 کارشناسی ارشد رشته مهندسی مالی دانشگاه خوارزمی
2 استادیار دانشکده علوم مالی دانشگاه خوارزمی
10.30495/jik.2025.23592
چکیده
پیش‌بینی یکی از مهم‌ترین و چالش‌برانگیزترین مسائل در امور اقتصادی و مالی است که همواره مورد توجه افراد و محققان زیادی بوده‌ است و از اهمیت بالایی برخوردار است. همواره برای پیش‌بینی در بازارهای مالی دو رویکرد سنتی و هوشمند وجود داشته که در روش سنتی این پیش‌بینی بر اساس مدل‌های آماری و در روش هوشمند بر اساس مدل‌های هوش مصنوعی است. با وجود مدل‌های فراوانی که برای پیش‌بینی ارائه‌شده است کماکان تلاش برای ساخت مدلی که بتواند متغیرهای مؤثر بیشتری را برای پیش‌بینی مورد استفاده قرار دهد و بتواند فاکتورهایی مانند زمان، ریسک و بازده را هم در نظر بگیرد، ادامه دارد. در پژوهش حاضر به پیش‌بینی بازدهی قیمت سهام در بورس اوراق بهادار تهران با استفاده از شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت ( LSTM) پرداخته ‌شده است. از میان شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، ۲۰ شرکت برتری که حداقل در دوره زمانی ۱۱/۰۲/۱۳۹۴ تا ۲۲/۰۱/۱۳۹۹ حضور داشته و در آن بازه زمانی گپ قابل توجه قیمت نداشته‌اند (زیرا این موضوع منجر به خطای پیش‌بینی می‌گردید) به‌عنوان نمونه انتخاب شدند و داده‌ی تعدیل‌شده آن‌ها (به‌منظور حذف گپ ناشی از افزایش سرمایه و تقسیم سود نقدی) از سایت TSECLIENT دریافت گردید. میانگین و انحراف معیار خطای پیش‌بینی مدل شبکه عصبی بازگشتی (LSTM) حاکی از معناداری آماری مدل مذکور بوده است.
کلیدواژه‌ها
شبکه عصبی بازگشتی
حافظه طولانی کوتاه‌مدت
پیش‌بینی قیمت سهام

عنوان مقاله English

Evaluation of the performance of recursive neural network (RNN) Long-Short Term Memory (LSTM) method in stock price forecasting

نویسندگان English

hossein shahrabi Ameri 1
ehsan Taiebysani 2
1 M.A. Graduated of kharazmi University, Department of financial Engineering, Tehran, Iran
2 Associate professor of kharazmi University, Department of financial management, Tehran, Iran
چکیده English

In this study, due to the importance of investing in the stock market, the stock price return on the stock exchange is predicted using the short-long term memory recursive neural network (LSTM). The present study is applied in terms of purpose. The statistical population of this study is companies listed on the Tehran Stock Exchange. Among the companies accepted in it, 20 top companies that were present at least in the period of 11/02/2015 to 01/22/2016 and didn't have a significant price gap in that period (because this would lead to a forecast error) They were selected as a sample and their adjusted data (in order to eliminate the gap caused by capital increase and cash dividend distribution) was received from TSECLIENT. That the data of the last 10 days were considered as experimental data and the previous data was considered as educational data. First, the mean and standard deviation of the model prediction error were calculated, which was 602 and 742 for the LSTM recursive neural network model. The results showed that in predicting the stock prices of the top 20 companies on the stock exchange, the predictive power of the LSTM recursive neural network model is statistically appropriate.

کلیدواژه‌ها English

long-short-term memory
recursive neural network
stock price forecast
  • احمدخان بیگی, سهیل, عبدالوند, ندا. (1396). پیش‌بینی قیمت سهام با رویکرد ترکیبی شبکه عصبی مصنوعی و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب. راهبرد مدیریت مالی۷۳-۲۷، (۳) ۵.
  • بیگی، شاهرخ (1398). بررسی تعاملات نرخ ارز و بازار سهام، رویکرد سیستم معادلات هم‌زمان، پایان­نامه کارشناسی­ارشد، دانشگاه خوارزمی تهران.
  • راعی،رضا ؛ علیدوست اقدم، محمد ؛ فیضی، اصغر (1391)، شبکه­های عصبی در امور مالی، تهران: انتشارات نگاه دانش.
  • جورابیان، محمود (1386)،شبکه­های عصبی مصنوعی، انتشارات دانشگاه شهیدچمران.
  • رمضانیان کشتلی، مریم و مومنی کشتلی، رضا،1398،کاربرد الگوریتم های یادگیری ماشین در پیش بینی تصمیمات سیستم های قضایی،پنجمین کنفرانس ملی علوم انسانی و مطالعات مدیریت،تهران،
  • باباجانی، جعفر و تقوا، محمدرضا و بولو، قاسم و عبدالهی، محسن (۱۳۹۸). پیش‌بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی. راهبرد مدیریت مالی تابستان 1398 - شماره 25 علمی-پژوهشی (وزارت علوم) ISC (۳۵ صفحه - از 195 تا ۲۲۹)
  • بیات, علی, باقری, زینب. (1396). پیش‌بینی قیمت سهام با استفاده از الگوریتم کرم شب‌تاب (FA).دانش مالی تحلیل اوراق بهادار، ۱۴۵-۱۳۵ ، (۳۵) ۱۰.
  • حیدری زارع، بهزاد و کردلویی، حمیدرضا (۱۳۸۹). پیش‌بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی.‎ پژوهشگر (مدیریت) (Journal of Industrial Strategic Management) صفحه 49-56.‎
  • منجمی، سید امیرحسین و ابزری، مهدی‌ و رعیتی شوازی، علیرضا (۱۳۸۸). پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم‌های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی.‎ اقتصاد مقداری (بررسی های اقتصادی)
  • نصیر زاده، فرزانه (۱۳۹۱). ارزیابی توانایی مدل‌های داده‌کاوی در پیش‌بینی قیمت سهام. یازدهمین همایش ملی حسابداری ایران
  • ARIYO, A. A., ADEWUMI, A. O. & AYO, C. K. Stock price prediction using the ARIMA model. 2014 UKSim-AMSS 16th International Conference on Computer Modelling and Simulation, 2014. IEEE, 106-112.
  • Anderson, D., & McNeill, G. (1992). Artificial neural networks technology. Kaman Sciences Corporation, 258(6), 1-83.
  • Baek, Y., & Kim, H. Y. (2018). ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module. Expert Systems with Applications, 113, 457-480.
  • Das, S. R., Mishra, D., & Rout, M. (2019). Stock market prediction using Firefly algorithm with evolutionary framework optimized feature reduction for OSELM method. Expert Systems with Applications: X, 4, 100016.
  • HAJIZADEH, E., SEIFI, A., ZARANDI, M. F. & TURKSEN, I. 2012. A hybrid modeling approach for forecasting the volatility of S&P 500 index return. Expert Systems with Applications, 39, 431-436.
  • KHUAT, T. T. & LE, M. H. 2017. An application of artificial neural networks and fuzzy logic on the stock price prediction problem. JOIV: International Journal on Informatics Visualization, 1, 40-49.
  • SELVIN, S., VINAYAKUMAR, R., GOPALAKRISHNAN, E., MENON, V. K. & SOMAN, K. Stock price prediction using LSTM, RNN and CNN-sliding window model. 2017 international conference on advances in computing, communications and informatics (icacci), 2017. IEEE, 1643-1647.
  • SHILLER, R. J. 1987. The volatility of stock market prices. Science, 235, 33-37.
  • ZAREMBA, W., SUTSKEVER, I. & VINYALS, O. 2014. Recurrent neural network regularization. arXiv preprint arXiv:1409.2329.
  • Moghar, A., & Hamiche, M. (2020). Stock Market Prediction Using LSTM Recurrent Neural Network. Procedia computer science, 170, 1168-1173.
  • Zhang, X., Chen, Y., & Yang, J. Y. (2007). Stock Index Forecasting Using PSO Based Selective Neural Network Ensemble. Paper presented at the IC-AI.
  • Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K. and Soman, K. P. (2017). Stock price prediction using LSTM, RNN and CNN-sliding window model. Proc. Int. Conf. Advances in Computing, Communications and Informatics (ICACCI), Udupi, India.
  • Hochreiter and J. Schmidhuber, "Long Short-Term Memory," in Neural Computation, vol. 9, no. 8, pp. 1735-1780, 15 Nov. 1997, doi: 10.1162/neco.1997.9.8.1735.
  • Arnaud de Myttenaere, Boris Golden, Bénédicte Le Grand, Fabrice Rossi, Mean Absolute Percentage Error for regression models, Neurocomputing, Volume 192, 2016, Pages 38-48, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2015.12.114.
  • Babu AS, Reddy SK (2015) Exchange Rate Forecasting using ARIMA, Neural Network and Fuzzy Neuron. J Stock Forex Trad 4:155. doi:10.4172/2168-9458.1000155
  • Markowitz, Harry,(1959). Portfolio selection: efficient diversification of investments, Wiley, New York, NY ,x,344pp.
  • Zhang, T.-W. Weng, P.-Y. Chen, C.-J. Hsieh, and L. Daniel. Efficient neural network robustness certification with general activation functions. Advances in Neural Information Processing Systems, 2018.
  • Schöneburg, Stock price prediction using neural networks: A project report, Neurocomputing, Volume 2, Issue 1, 1990, Pages 17-27, ISSN 0925-2312, https://doi.org/10.1016/0925-2312(90)90013-H.
  • Zolfaghari, M., & Sahabi, B. (2017). Impact of foreign exchange rate on oil companies risk in stock market: A Markov-switching approach. Journal of Computational and Applied Mathematics, 317, 274-289.
  • Kumar, P. Kumar and Y. Kumar, "Analysis of Financial Time Series Forecasting using Deep Learning Model," 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence), 2021, pp. 877-881, doi: 10.1109/Confluence51648.2021.9377158.
  • Sidra, M., , Jaydip, S., & Abhishek, D.(2020). Stock Price Prediction Using Machine Learning and LSTM-Based Deep Learning Models. International Journal of Business Forecasting and Marketing Intelligence
  • Zhang, K., Zhong, G., Dong, J., Wang, S., & Wang, Y. (2019). Stock market prediction based on generative adversarial network. Procedia computer science, 147, 400-406
  • Pandikumar, S., Sethupandian, S. B., Saravanan, M. S., Prasad, S. N., & Arun, M. (2022). Deep Learning based Long Short-Term Memory Recurrent Neural Network for Stock Price Movement Prediction. Indian Journal of Science and Technology, 15(11), 474-480.