مقایسه مدل های مختلف یادگیری ماشین در پیش بینی شاخص بازار سهام

پیش بینی سریهای زمانی بازارهای مالی مسیله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده ها موجب رشد تحولات در زمینه مدل های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره گیری از مقایسه مدل های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می دهد که روش یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) در مقایسه با سایر مدل های مورد بررسی نتیجه بهتری داشته است.