ارزيابي و اعتبارسنجي معماري بهينه يادگيري عميق در پيش بيني قيمت سهام (رويكرد الگوريتم حافظه كوتاه مدت ماندگار LSTM )

The Assessment of the optimal Deep Learning Algorithm on Stock Price Prediction (Long Short-Term Memory Approach)

امروزه انواع مدل‌هاي هوش مصنوعي جايگاه خود را در محاسبات و پيش‌بيني‌هاي بازارهاي مالي تثبيت كرده‌اند؛ در اين ميان معماري‌هاي مبتني بر يادگيري عميق كه خود براساس الگوريتم‌هاي يادگيري ماشيني مي‌باشند، از طريق رفع ضعف‌هاي‌ مدل‌هاي سنتي شبكه عصبي در خصوص پيش-بيني ساختارهاي ديناميك، مورد توجه قرار گرفته‌اند. مهمترين مزيت الگوريتم‌هاي يادگيري عميق نسبت به مدل‌هاي سنتي شبكه‌ عصبي، استخراج خودكار ويژگي‌هاي مناسب از ورودي‌هاي خام مي-باشد كه از آن براي روند يادگيري مدل استفاده مي‌كند؛ به عبارتي الگوريتم‌هاي اين روش از چندين لايه‌ي پردازش اطلاعات و به ويژه اطلاعات غيرخطي بهره مي‌برند تا بهترين ويژگي‌هاي مناسب را از ورودي خام استخراج نمايند. در پژوهش حاضر توانايي معماري‌هاي الگوريتم حافظه كوتاه‌مدت ماندگار (LSTM) جهت پيش-بيني قيمت سهام مورد بررسي قرار گرفته است؛ علاوه بر اين، ضمن طبقه‌بندي عوامل موثر بر قيمت سهام، مولفه‌‌هاي نشان‌دهنده معاملات سهامداران حقيقي و حقوقي به عنوان عاملي اثرگذار بر قيمت سهام معرفي و بررسي شده است. براي اجراي مدل از سه گروه داده‌هاي قيمتي، شاخص‌هاي تكنيكال و معاملات سهامداران حقيقي و حقوقي استفاده شده است. نتايج تحقيق نشان از عملكرد بهتر معماري LSTM همراه با لايه dro‎p Out نسبت به مدل ساده آن و همچنين مدل RNN دارد.

Forecasting stock prices plays an important role in setting a trading strategy or determining the appropriate timing for buying or selling a stock. Deep Learning (DL) is a type of Artificial Neural Network (ANN) that consists of multiple processing layers and enables high-level abstraction to model data. The key advantage of DL models is extracting the good features of input data automatically using a general-purpose learning procedure which is suitable for dynamic time series such as stock price. In this research the ability of Long Short-Term Memory (LSTM) to predict the stock price is studied; moreover, the factors that have significant effects on the stock price is classified and legal and natural person trading is introduced as an important factor which has influence on the stock price. Price data, technical indexes and legal and natural person trading is used as an input data for running the model. The results obtained from LSTM with dro‎pout layer are better and more stable than simple form of LSTM and RNN models.