سایر حوزه های مرتبط
امیر شریف فر؛ مریم خلیلی عراقی؛ ایمان رئیسی وانانی؛ میرفیض فلاح شمس
چکیده
اهداف: الگوریتم‌های مبتنی بر شبکۀ عصبی پیچشی (CNN) که شاخه‌ای از مبحث یادگیری عمیق است، در سال‌های اخیر پیشرفت چشمگیری در حوزه‌های تحلیل فیلم و تصویر داشته‌اند؛ موفقیت و پذیرفته‌‌شدن الگوهای نوین این حوزه باعث به‌کارگیری گستردۀ آنها در زمینه‌های مختلف اعم از تحلیل متن و داده‌های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم‌های ...
بیشتر
اهداف: الگوریتم‌های مبتنی بر شبکۀ عصبی پیچشی (CNN) که شاخه‌ای از مبحث یادگیری عمیق است، در سال‌های اخیر پیشرفت چشمگیری در حوزه‌های تحلیل فیلم و تصویر داشته‌اند؛ موفقیت و پذیرفته‌‌شدن الگوهای نوین این حوزه باعث به‌کارگیری گستردۀ آنها در زمینه‌های مختلف اعم از تحلیل متن و داده‌های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم‌های یادگیری ماشینی است که در آن از چندین لایۀ پردازش اطلاعات به‌ویژه اطلاعات غیرخطی استفاده می‌شود تا از ورودی خام، بهترین ویژگی‌های مناسب با هدف تحلیل، بازشناخت الگو یا پیش‌بینی استخراج شود.روش: در پژوهش حاضر توانایی معماری‌های مختلف الگوریتم CNN برای پیش‌بینی قیمت سهام بررسی شده است.نتایج: نتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماری‌ها و پارامترهای متفاوت و با استفاده از دو دستۀ اصلی داده‌های ورودی شامل اطلاعات قیمتی روزانۀ سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب‌آهن اصفهان نشان‌دهندۀ آن است که استفاده از CNN همراه با لایۀ ادغام بیشینه (ترکیب پارامترهای اندازۀ دستۀ 64، تعداد فیلتر 256 و با تابع فعال‌سازی ReLU)، دارای خطاهای درصد 79/1 = MAPE و درصد 71/2 = NRMSE است که نشان‌دهندۀ عملکرد بهتر آن نسبت‌به سایر معماری‌ها و الگوریتم RNN است.
