ارزیابی و اعتبارسنجی معماری بهینه یادگیری عمیق در پیش بینی قیمت سهام (رویکرد الگوریتم حافظه کوتاه مدت ماندگار LSTM)

امروزه انواع مدل های هوش مصنوعی جایگاه خود را در محاسبات و پیش بینی های بازارهای مالی تثبیت کرده اند؛ در این میان معماری های مبتنی بر یادگیری عمیق که خود براساس الگوریتم های یادگیری ماشینی می باشند، از طریق رفع ضعف های مدل های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفته اند. مهمترین مزیت الگوریتم های یادگیری عمیق نسبت به مدل های سنتی شبکه عصبی، استخراج خودکار ویژگی های مناسب از ورودی های خام می-باشد که از آن برای روند یادگیری مدل استفاده می کند؛ به عبارتی الگوریتم های این روش از چندین لایه ی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می برند تا بهترین ویژگی های مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماری های الگوریتم حافظه کوتاه مدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقه بندی عوامل موثر بر قیمت سهام، مولفه های نشان دهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه داده های قیمتی، شاخص های تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد.