ارایه مدل پیش بینی تجزیه سیگنال های بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM))

ویژگی غیرخطی و نوسانات بالا در سری های زمانی مالی، پیش بینی قیمت سهام و شاخص های مالی را با چالش های زیادی مواجه ساخته است. با این حال توسعه های اخیر در مدل های یادگیری عمیق (DL) با ساختار هایی مانند حافظه طولانی کوتاه مدت (LSTM)  و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکرد هایی که می تواند در تحلیل سری های زمانی مالی کارا باشد تجزیه سیگنال های بازار سرمایه از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار های مالی، در این پژوهش با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی  CEEMD- DL(LSTM)به منظور پیش بینی شاخص بورس اوراق بهادار تهران مورد استفاده قرار گرفته است. در این راستا از داده های روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 01/12/1390  - 01/12/1400  استفاده شده است. نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیار های سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، مدل معرفی شده (CEEMD- DL(LSTM))، در مقایسه با مدل های سنتی در این حوزه، از کارایی و دقت پیش بینی بالاتری برخوردار است. بر همین اساس کاربرد این مدل در پیش بینی های مالی پیشنهاد می گردد.