کاربرد معماری های یادگیری عمیق در پیش بینی قیمت سهام (رویکرد شبکه عصبی پیچشی CNN)
الگوریتم های مبتنی بر شبکه عصبی پیچشی (CNN) که شاخه ای از مبحث یادگیری عمیق است، در سال های اخیر پیشرفت چشمگیری در حوزه های تحلیل فیلم و تصویر داشته اند؛ موفقیت و پذیرفته شدن الگوهای نوین این حوزه باعث به کارگیری گسترده آنها در زمینه های مختلف اعم از تحلیل متن و داده های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم های یادگیری ماشینی است که در آن از چندین لایه پردازش اطلاعات به ویژه اطلاعات غیرخطی استفاده می شود تا از ورودی خام، بهترین ویژگی های مناسب با هدف تحلیل، بازشناخت الگو یا پیش بینی استخراج شود.
در پژوهش حاضر توانایی معماری های مختلف الگوریتم CNN برای پیش بینی قیمت سهام بررسی شده است.
نتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماری ها و پارامترهای متفاوت و با استفاده از دو دسته اصلی داده های ورودی شامل اطلاعات قیمتی روزانه سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب آهن اصفهان نشان دهنده آن است که استفاده از CNN همراه با لایه ادغام بیشینه (ترکیب پارامترهای اندازه دسته 64، تعداد فیلتر 256 و با تابع فعال سازی ReLU)، دارای خطاهای درصد 79/1 = MAPE و درصد 71/2 = NRMSE است که نشان دهنده عملکرد بهتر آن نسبت به سایر معماری ها و الگوریتم RNN است.
پرداخت حق اشتراک به معنای پذیرش "شرایط خدمات" پایگاه مگیران از سوی شماست.
اگر عضو مگیران هستید:
اگر مقاله ای از شما در مگیران نمایه شده، برای استفاده از اعتبار اهدایی سامانه نویسندگان با ایمیل منتشرشده ثبت نام کنید. ثبت نام
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.