پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شمارهها | 910 |
| تعداد مقالات | 7,488 |
| تعداد مشاهده مقاله | 12,097,064 |
| تعداد دریافت فایل اصل مقاله | 8,560,170 |
ارایه مدل پیشبینی تجزیه سیگنالهای بازار سرمایه با استفاده از رویکرد (CEEMD- DL(LSTM)) | ||
| راهبرد مدیریت مالی | ||
| مقاله 10، دوره 12، شماره 1 - شماره پیاپی 44، فروردین 1403، صفحه 211-226 اصل مقاله (409.14 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/jfm.2024.41203.2716 | ||
| نویسندگان | ||
| سکینه صیادی نژاد* 1؛ علی اسماعیل زاده مقری* 2؛ محمد رضا رستمی* 3؛ احمد یعقوب نژاد* 4 | ||
| 1دانشجو دکتری مهندسی مالی،گروه مدیریت مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2دانشیار، گروه حسابداری،واحد اسلامشهر، دانشگاه آزاد اسلامی،تهران،ایران و استاد مدعو دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران | ||
| 3دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران و استاد مدعو دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران | ||
| 4دانشیار، گروه حسابداری، واحد تهران مرکز، دانشگاه آزاد اسلامی،تهران،ایران | ||
| چکیده | ||
| ویژگی غیرخطی و نوسانات بالا در سریهای زمانی مالی، پیشبینی قیمت سهام و شاخصهای مالی را با چالشهای زیادی مواجه ساختهاست. با این حال توسعههای اخیر در مدلهای یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفتهایی در تحلیل این نوع از دادهها ایجاد کرده است. یکی دیگر از رویکردهایی که میتواند در تحلیل سریهای زمانی مالی کارا باشد تجزیه سیگنالهای بازار سرمایه از طریق الگوریتمهایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) میباشد. با توجه به اهمیت مقوله پیشبینی در بازارهای مالی، در این پژوهش با ترکیب مدلهای یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM)به منظور پیشبینی شاخص بورس اوراق بهادار تهران مورد استفاده قرار گرفتهاست. در این راستا از دادههای روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 01/12/1390 - 01/12/1400 استفاده شدهاست. نتایج بدست آمده با نتایج مدلهای رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، مدل معرفی شده (CEEMD- DL(LSTM))، در مقایسه با مدلهای سنتی در این حوزه، از کارایی و دقت پیشبینی بالاتری برخوردار است. بر همین اساس کاربرد این مدل در پیشبینیهای مالی پیشنهاد میگردد. | ||
| کلیدواژهها | ||
| مدل های یادگیری عمیق (DL)؛ تجزیه مد تجربی یکپارچه کامل (CEEMD)؛ شاخص بورس اوراق بهادار تهران؛ حافظه بلندمدت &ndash؛ کوتاه مدت (LSTM)؛ شبکه عصبی کانولوشنی (CNN) | ||
| عنوان مقاله [English] | ||
| Presenting the Forecasting Model of Analysis of Capital market Signals Using (CEEMD-DL(LSTM)) approach | ||
| نویسندگان [English] | ||
| Sakineh Sayyadi nezhad1؛ Ali Esmaeilzadeh makhari2؛ Mohammadreza Rostami3؛ َAhmad Yaghobnejad4 | ||
| 1PhD student in financial engineering, Department of Financial Management, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University, Tehran, Iran | ||
| 2Associate Professor, Department of Accounting, Islamshahr Branch, Islamic Azad University, Tehran, Iran and Visiting Professor, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University, Tehran, Iran | ||
| 3Associate Professor, Department of Management, Faculty of Social Sciences and Economics, AlZahra University, Tehran, Iran and Visiting Professor, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University, Tehran, Iran | ||
| 4Associate Professor, Department of Accounting, Central Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| Non-linearity feature and high fluctuations in financial time series have made the forecasting of stock prices and financial indicators face many challenges. However, recent developments in deep learning (DL) models with structures such as long-short-term memory (LSTM) and convolutional neural network (CNN) have made improvements in the analysis of this type of data. Another approach that can be effective in the analysis of financial time series is the decomposition of capital market signals through algorithms such as complete integrated empirical mode decomposition (CEEMD). Considering the importance of forecasting in the financial markets, in this research, by combining deep learning models and complete integrated empirical mode decomposition (CEEMD), The hybrid CEEMD-DL(LSTM) model has been used to forecast the Tehran Stock Exchange index. In this regard, the daily data of the total index of the Tehran Stock Exchange in the period of 2012/12/01 – 2022/02/20 be used and the results were compared with the results of competing models based on efficiency measurement criteria. Based on the obtained results, the introduced model (CEEMD-DL(LSTM)) has higher efficiency and accuracy in stock exchange index forecasting. Accordingly, the use of this model in financial forecasts is suggested. | ||
| کلیدواژهها [English] | ||
| Deep learning models (DL), Complete integrated empirical mode decomposition (CEEMD), Tehran Stock Exchange index, Long-short-term memory (LSTM), Convolutional neural network (CNN) | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
Arel, I., Rose, D. C., & Karnowski, T. P. (2010). Deep machine learning- new frontier in artificial intelligence research. IEEE Computational Intelligence Magazine, 5(4), 13–18.
Babajani, J., Taghva, M., Blue, G., Abdollahi, M. (2019). Forecasting Stock Prices in Tehran Stock Exchange Using Recurrent Neural Network Optimized by Artificial Bee Colony Algorithm. Financial Management Strategy, 7(2), 195-228. (in Persian)
Cavalcante, R. C., Brasileiro, R. C., Souza, V. L. P., Nobrega, J. P., & Oliveira, A. L. I. (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions. Expert Systems with Applications, 55, 194–211.
Chong, E. and Han, C. and Park, F.C. (2017) Deep learning networks for stock market analysis and prediction: methodology, data representations, and case studies. Expert systems with applications., 83, 187-205.
Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669.
kaviani, M., Fakhrehosseini, S., dastyar, F. (2020). An Overview of the Importance and Why the Stock Return Prediction, with Emphasis on Macroeconomic Variables. Journal of Accounting and Social Interests, 10(2), 113-131. (in Persian)
Langkvist, M., Karlsson, L., & Loutfi, A. (2014). A review of unsupervised feature learning and deep learning for time-series modeling. Pattern Recognition Letters, 42, 11–24.
Lin, Y., Yan, Y., Xu, J., Liao, Y., & Ma, F. (2021). Forecasting stock index price using the CEEMDAN-LSTM model. The North American Journal of Economics and Finance, 57, 101421.
Samadi, S., Bayani, ozra. (2009). Relation Between Macroeconomic Variables and General Index in Tehran Stock Exchange. Economical Modeling, 2(6), 111-130. (in Persian)
Sarafraz, S., Sefati, F. and Ghiasvand, A. (2016). Predicting stock prices with hybrid market indices using a fuzzy neural model. International Conference on Modern Research in Management, Economics and Accounting. (in Persian)
Tipirisetty, Abhinav, "Stock Price Prediction using Deep Learning" (2018). Master's Projects. 636.
Yan, B., & Aasma, M. (2020). A novel deep learning framework: Prediction and analysis of financial time series using CEEMD and LSTM. Expert systems with applications, 159, 113609.
Zarei, G., Mohamadiyan, R., Nayeri Hazeri, H., Mashokouh ajirlou, M. (2018). The Comparison of Fuzzy Neural Network Methods with Wavelet Fuzzy Neural Network in Predicting Stock Prices of Banks Accepted in Tehran Stock Exchange. Financial Management Strategy, 6(3), 109-138. (in Persian) | ||
|
آمار تعداد مشاهده مقاله: 236 تعداد دریافت فایل اصل مقاله: 146 |
||
