نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مدیریت مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 گروه مدیریت بازرگانی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

3 گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.

4 گروه مدیریت مالی، دانشکده مدیریت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

الگوریتم‌های مبتنی بر شبکه عصبی پیچشی (CNN) که شاخه‌ای از مبحث یادگیری عمیق هستند، در سال‌های اخیر پیشرفت چشمگیری در حوزه‌های تحلیل فیلم و تصویر داشته‌اند؛ موفقیت و مقبولیت الگو‌های نوین این حوزه باعث بکارگیری گسترده آن‌ها در زمینه‌های مختلف اعم از تحلیل متن و داده‌های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم‌های یادگیری ماشینی است که از چندین لایه‌ی پردازش اطلاعات و به‌ویژه اطلاعات غیرخطی بهره می‌برد تا از ورودی خام، بهترین ویژگی‌های مناسب را با هدف تحلیل، بازشناخت الگو و یا پیش‌بینی استخراج کند. در پژوهش حاضر توانایی معماری‌های مختلف الگوریتم CNN جهت پیش‌بینی قیمت سهام مورد بررسی قرار گرفته است. نتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماری‌ها و پارامترهای متفاوت و با استفاده از دو دسته اصلی داده‌های ورودی شامل اطلاعات قیمتی روزانه سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب آهن اصفهان نشان می‌دهد که استفاده از CNN همراه با لایه ادغام بیشینه (ترکیب پارامترهای اندازه دسته 64، تعداد فیلتر 256 و با تابع فعالسازی ReLU)، دارای خطاهای 1/79% = MAPE و 2/71% = NRMSE است که نشان دهنده عملکرد بهتر آن نسبت به سایر معماری‌ها و الگوریتم RNN است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Application of deep learning architectures in stock price forecasting (Convolutional Neural Network Approach)

نویسندگان [English]

  • Amir Sharif far 1
  • Maryam Khaliliaraghi 2
  • Iman Raeesi Vanani 3
  • Mirfeyz Fallahshams 4

1 Department of Financial Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.

2 Department of Business Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran. Iran.

3 Department of Industrial Management, Faculty of Management and Accounting, Allameh Tabataba'i University, Tehran, Iran.

4 Department of Financial Management, Faculty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.

چکیده [English]

Algorithms based on Convolutional Neural Network which is a branch of Deep Learning, have a significant progress in picture and video analysis in recent years; Success of these new models lead to widespread use of them in vast various fields including text mining and time series data. Deep learning also known as deep neural learning or deep neural network, is a part of a broader family of machine learning methods that attempts to model high-level concept using learning at multiple levels and layers and extract higher-level features from the raw input.

This research investigates the ability of different CNN architectures to predict the stock prices. The results based on executing the model with various architectures and parameters and with the use of two categories of input data including daily price data and ten technical indicators for the stock price of Esfahan Steel Company show that CNN with MaxPooling Layer with the error of MAPE=1.79% and NRMSE=2.71% has a higher prediction accuracy than other CNN architectures and RNN.

کلیدواژه‌ها [English]

  • Stock price prediction
  • Machine Learning
  • Deep Learning
  • Convolutional Neural Network (CNN)
  • Recurrent Neural Network (RNN)