غزل بهرامی
کاربرد الگوریتم های یادگیری عمیق با رویکرد شبکه های عصبی پیچشی در پیش بینی قیمت سهام بورس
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۳۱ شهریور ۱۴۰۳
- ساعت دفاع
- چکیده
-
بخش عمده ای از اقتصاد هر کشور را سرمایه گذاری در بازارهای سهام تشکیل می دهد. سرمایه گذاری یکی از پایه های پر اهمیت
و لازم برای کسب بهره مندی مالی محسوب می شود. هر شخص حقیقی یا هر فرد حقوقی مانند شرکت ها، مؤسسات تجاری و...
برای افزایش سرمایه و توان مالی خود نیاز به سرمایه گذاری دارند که در این بین، سرمایه گذاری در بازارهای سهام بسیار مورد علاقه
این دسته از افراد می باشد. بنا بر این، در صورت امکان پیش بینی روند آتی بازار سهام با روش های مناسب، سرمایه گذاران می توانند
بازده سرمایه گذاری خود را به حداکثر برسانند. تا به امروز محققان روش های زیادی را از زوایای مختلف برای پیش بینی این بازار
توسعه داده اند. در این پژوهش، قصد داریم به ارزیابی توانایی مدل های یادگیری ماشینی در پیش بینی بازار سهام بپردازیم. بدین
ترتیب، فرایند پیش بینی را به کمک داده های بورس تهران از سال ????تا ????با مدل های یادگیری ماشینی و یادگیری عمیق
مورد بررسی قرار می دهیم. هدف، مقایسه راهکار های در دسترس مبتنی بر یادگیری ماشینی و یادگیری عمیق جهت پیش بینی قیمت
سهام در بازار بورس، تفسیر نتایج و در نهایت طبقه بندی آن ها بر مبنای حداقل خطا است.
واژگان کلیدی: پیش بینی سهام، شبکه عصبی کانولوشن، شبکه عصبی حافظه طولانی?کوتاه مدت، یادگیری ماشینی، یادگیری
عمیق
- Abstract
-
A major part of each country’s economy consists of investments in stock markets. Investment is considered one of the fundamental and essential bases for financial gain. Every individual, whether a natural person or a legal entity such as companies, business institutions, etc., needs to invest to increase their capital and financial capacity, and among these, investment in stock markets is highly favored. Therefore, if it is possible to predict future trends in the stock market using appropriate methods, investors can maximize their investment returns. To date, researchers have developed numerous methods from various perspectives to predict this market. In this study, we aim to evaluate the capabilities of machine learning models in predicting the stock market. We will examine the prediction process using Tehran Stock Exchange data from ۲۰۱۷ to ۲۰۲۲ with machine learning and deep learning models. The goal is to compare available machine learning and deep learning solutions for forecasting stock prices in the stock market, interpret the results, and ultimately classify them based on minimal error. Keywords: Stock Prediction, Convolutional Neural Network, Long Short-Term Memory Neural Network, Machine Learning, Deep Learning