| جلسه دفاع از پایان نامه: سجاد حکمت، گروه الکترونیک |
ارائه کننده: سجاد حکمت چکیده: پیش‌بینی بازارهای مالی از سال‌ها پیش با روش‌های آماری و محاسباتی مورد اقبال تحلیل‌گران بوده است. با پیشرفت علم داده و پیدایش یادگیری ماشین، شبکۀ عصبی و یادگیری ژرف، هم‌زمان اقبال به این شاخه‌ها و دقت پیش‌بینیِ تحلیل‌گران افزایش یافته‌است. این پیش‌بینی‌ها شامل پیش‌بینیِ روند یک سهم، روند چند سهم، روند شاخص کل، قیمت یک سهم، مقدار شاخص کل، مقادیر چند سهم و مواردی دیگر از این قبیل است. در این پژوهش، با مصورسازی دادۀ سری زمانی بورس تهران، از مدل یادگیری ژرفِ ترکیبی CNN-LSTM برای پیش‌بینی قیمت و روند چند سهم از بازار بورس تهران استفاده شده‌است. برای انجام این کار، در مرحلۀ پیش‌پردازش، دادۀ سری زمانی مربوط به هر سهم باید تعدیل شود. دلیل این کار، رفع ناهنجاری‌های موجود در داده به علت جهش‌های ناگهانی در نمودار، ناشی از افزایش سرمایه‌های هر سهم، است. در مرحلۀ بعد، از دادۀ سری زمانی هر سهم 85 نشانگر فنی شامل شاخص قدرت نسبی، میانگین متحرک ساده و واگرایی(همگرایی) میانگین متحرک استخراج می‌گردد. در روش اولِ مصورسازی، با کنار هم قرار دادن قیمت بسته شدن سهم در پنجرۀ زمانی روزانه و تعدادی از نشانگرهای فنی استخراج شده یک آرایۀ دوبعدی(تصویری) ایجاد می‌گردد. در روش دوم مصورسازی، از روش میدانِ گذار مارکو1 دادۀ سری زمانی به آرایۀ دو بعدی(تصویری) تبدیل می‌گردد. در ادامه، هر دو نوع داده برای پیش‌بینی روند و قیمت چند سهم از بازار بورس تهران به مدل ترکیبی یادگیری ژرف داده شده‌اند. برای بهینه‌سازی پارامترهای اصلی مدل ترکیبی یاد شده از چارچوب Optuna استفاده شده است. با بررسی خروجی مدل ترکیبی در، دقت قابل قبولی از هر دو روش به دست آمده‌است که از کارهای پیشین انجام شده بر روی بازار بورس تهران بهتر است. هم‌چنین، دقت روش مصورسازی میدان گذار مارکو برای پیش‌بینی روند دقت بیشتری نسبت به روش مصورسازی دیگر دارد. |
11:41 - شنبه 16 ارديبهشت 1402 / شماره خبر : 19829 / تعداد نمايش خبر : 88 |