محمد مهدوی آسیابر
عنوان پایان‌نامه
مدل دو حالتی سری زمانی ساختاری بیزی و حافظه طولانی کوتاه مدتی برای پیش بینی کوتاه مدت شاخص بورس ایران با توجه به تاثیر اخبار
- دانشجو
- محمد مهدوی آسیابر
- استاد راهنما
- محمدرضا صالحی راد
- استاد مشاور
- رضا حبیبی
- استاد داور
- وحید رضایی تبار
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۲۵ بهمن ۱۴۰۱
- ساعت دفاع
- چکیده
-
پیش‌بینی سری‌های زمانی مالی به خصوص در حوزه سهام، به دلیل تغیرات ناگهانی تحت تاثیر اخبار و یا عوامل خارجی، همواره با چالش های زیادی روبرو بوده است. رویکرد کلی‌ای که قصد اعمال آن را داریم یک رویکرد ترکیبی است که با ترکیب مدل‌های خطی و غیرخطی سعی در بهبود نتایج و همچنین بهره‌مندی از ویژگی‌های هر دو مدل خواهیم داشت. مرحله‌ی اول مدل‌سازی ، استفاده از مدل سری زمانی ساختاری بیزی است که امکان استفاده مؤثر از داده‌های حوزه اخبار و شبکه‌های اجتماعی به عنوان متغیر ورودی را برای ما فراهم می‌کند و همچنین با توجه به بعد بالای متغیرهای ورودی، با استفاده از پیشین‌های انقباضی، از مشکلات به وجود آمده در بالا بعد جلوگیری می‌کند.
مرحله دوم مدل‌سازی، مدل‌سازی سری باقیمانده‌های مدل خطی پایه(خطاها) می‌باشد که با توجه به لزوم برقراری عدم وابستگی خطی بین آن‌ها از مدل غیرخطی شبکه عصبی LSTM بر روی آن‌ها استفاده خواهیم کرد.
لازم به ذکر است که داده‌های سری زمانی اصلی، داده‌های مربوط به شاخص کل بورس و اوراق بهادار است و داده‌های متغیر کمکی نیز از محل موتور‌‌های جست و جو و همچنین از بستر شبکه‌های اجتماعی جمع آوری می‌شوند.
- Abstract
-
Forecasting financial time series, especially in the field of stocks, has always faced many challenges due to sudden changes under the influence of news or external factors. The general approach that we intend to apply is a hybrid approach that by combining linear and non-linear models we will try to improve the results and also benefit from the features of both models. The first stage of modeling is the use of the Bayesian structural time series model, which provides us with the possibility of effectively using data from the field of news and social networks as input variables, and also due to the high dimension of the input variables, using shrinkage priors, from It prevents the high dimension problem.
The second stage of modeling is the modeling of the series of residuals of the basic linear model (errors), which we will use the non-linear LSTM neural network model on.
It should be noted that the main time series data is the data related to the total stock market index and the input variable data is also collected from search engines and also from the platform of social networks.