ارتقای تصمیم‌گیری مالی با استفاده از یادگیری عمیق BiLSTM: شواهدی از پیش‌بینی قیمت سهام اپل

نویسندگان

  • مبینا قاسمی * گروه حسابداری، دانشگاه ملی مهارت، تهران، ایران.
  • مرضیه شیری گروه کامپیوتر، دانشگاه ملی مهارت، تهران، ایران.
  • امید طاهری گروه کامپیوتر، دانشگاه ملی مهارت، تهران، ایران.

https://doi.org/10.22105/msda.v3i2.86

چکیده

هدف: پیش‌بینی دقیق قیمت سهام به دلیل ماهیت غیرخطی و پویای بازارهای مالی، یکی از چالش‌های مهم در تصمیم‌گیری مالی محسوب می‌شود. اگرچه مدل‌های یادگیری عمیق قابلیت‌های قابل‌توجهی در پیش‌بینی سری‌های زمانی نشان داده‌اند، تأثیر توابع فعال‌سازی و الگوریتم‌های بهینه‌سازی بر عملکرد پیش‌بینی مدل‌های BiLSTM به‌طور کافی بررسی نشده است. هدف این پژوهش، ارزیابی کارایی معماری یادگیری عمیق BiLSTM در پیش‌بینی قیمت سهام و شناسایی بهینه‌ترین ترکیب پارامترها برای افزایش دقت پیش‌بینی است.

روش‌شناسی: این پژوهش از یک چارچوب یادگیری عمیق مبتنی بر شبکه‌های حافظه بلند و کوتاه‌مدت دوطرفه با استفاده از داده‌های تاریخی سهام شرکت اپل در بازه 1980 تا 2024 بهره می‌گیرد. داده‌ها پس از پیش‌پردازش و نرمال‌سازی، در محیط Google Colab و با استفاده از لایه‌های Bidirectional، Dropout و Dense پیاده‌سازی شدند. ترکیب‌های مختلفی از توابع فعال‌سازی و الگوریتم‌های بهینه‌سازی از جمله ReLU و Adam  برای تحلیل اثر آن‌ها بر عملکرد مدل مورد ارزیابی قرار گرفتند. کارایی مدل از طریق دقت پیش‌بینی و توانایی تطبیق روندها در پیش‌بینی سری‌های زمانی بررسی شد.

یافته‌ها: نتایج نشان داد مدل BiLSTM توانایی بالایی در استخراج وابستگی‌های زمانی بلندمدت و پیش‌بینی روند کلی قیمت سهام دارد. در میان ترکیب‌های بررسی‌شده، ترکیب تابع فعال‌سازی ReLU و الگوریتم Adam بالاترین دقت پیش‌بینی را به دست آورد و عملکرد بهتری در مدل‌سازی نوسانات بازار نشان داد. معماری پیشنهادی نسبت به پیکربندی‌های پایه دارای خطای پیش‌بینی کمتر و توانایی بالاتر در پیش‌بینی روندها بود.

اصالت/ارزش افزوده علمی: این پژوهش یک تحلیل متمرکز از تعامل میان پارامترهای پیکربندی شبکه و عملکرد پیش‌بینی در مدل‌های مالی مبتنی بر BiLSTM ارایه می‌دهد. یافته‌ها نشان می‌دهد راهبردهای بهینه‌سازی و سازوکارهای فعال‌سازی چگونه بر پایداری و دقت پیش‌بینی اثر می‌گذارند و بینش‌های کاربردی ارزشمندی برای سرمایه‌گذاران، تحلیلگران و پژوهشگران در توسعه ابزارهای پیش‌بینی مالی مبتنی بر هوش مصنوعی فراهم می‌سازند.

کلمات کلیدی:

یادگیری عمیق، عمیق، پیش‌بینی قیمت سهام، تحلیل داده‌های مالی، مدل BiLSTM، تابع فعال‌سازی، الگوریتم بهینه‌سازی

مراجع

  1. [1] Hondroyiannis, G., & Papapetrou, E. (2001). Macroeconomic influences on the stock market. Journal of economics and finance, 25(1), 33–49. https://doi.org/10.1007/BF02759685
  2. [2] Mazur, M., Dang, M., & Vega, M. (2021). COVID-19 and the march 2020 stock market crash. Evidence from S&P1500. Finance research letters, 38, 101690. https://doi.org/10.1016/j.frl.2020.101690
  3. [3] Masoud, N. M. H. (2013). The impact of stock market performance upon economic growth. International journal of economics and financial issues, 3(4), 788–798. https://www.econjournals.com/index.php/ijefi/article/view/557
  4. [4] Li, Y. D., Işcan, T. B., & Xu, K. (2010). The impact of monetary policy shocks on stock prices: Evidence from Canada and the United States. Journal of international money and finance, 29(5), 876–896. https://doi.org/10.1016/j.jimonfin.2010.03.008
  5. [5] Ampomah, E. K., Qin, Z., & Nyame, G. (2020). Evaluation of tree-based ensemble machine learning models in predicting stock price direction of movement. Information, 11(6), 332. https://doi.org/10.3390/info11060332
  6. [6] Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert systems with applications, 42(1), 259–268. https://doi.org/10.1016/j.eswa.2014.07.040
  7. [7] Zhang, K., Zhong, G., Dong, J., Wang, S., & Wang, Y. (2019). Stock market prediction based on generative adversarial network. Procedia computer science, 147, 400–406. https://doi.org/10.1016/j.procs.2019.01.256
  8. [8] Patil, P., Wu, C. S. M., Potika, K., & Orang, M. (2020). Stock market prediction using ensemble of graph theory, machine learning and deep learning models. Proceedings of the 3rd international conference on software engineering and information management. (pp. 85–92) Sydney, Australia. https://doi.org/10.1145/3378936.3378972
  9. [9] Rana, M., Uddin, M. M., & Hoque, M. M. (2019). Effects of activation functions and optimizers on stock price prediction using lstm recurrent networks. Proceedings of the 2019 3rd international conference on computer science and artificial intelligence (pp. 354–358) Beijing, China. https://doi.org/10.1145/3374587.337462
  10. [10] Di Persio, L., & Honchar, O. (2017). Recurrent neural networks approach to the financial forecast of google assets. International journal of mathematics and computers in simulation, 11, 7–13. https://iris.univr.it/handle/11562/959057
  11. [11] Roondiwala, M., Patel, H., & Varma, S. (2015). Predicting stock prices using LSTM. International journal of science and research, 6(4), 2319–7064. https://www.quandl.com/data/NSE
  12. [12] Hiransha, M., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. (2018). NSE stock market prediction using deep-learning models. Procedia computer science, 132, 1351–1362. https://doi.org/10.1016/j.procs.2018.05.050
  13. [13] McNally, S., Roche, J., & Caton, S. (2018). Predicting the price of bitcoin using machine learning. 2018 26th euromicro international conference on parallel, distributed and network-based processing (PDP) (pp. 339–343). IEEE. https://doi.org/10.1109/PDP2018.2018.00060
  14. [14] Chung, H., & Shin, K. (2020). Genetic algorithm-optimized multi-channel convolutional neural network for stock market prediction. Neural computing and applications, 32(12), 7897–7914. https://doi.org/10.1007/s00521-019-04236-3
  15. [15] Xu, Y., Chhim, L., Zheng, B., & Nojima, Y. (2020). Stacked deep learning structure with bidirectional long-short term memory for stock market prediction. Neural computing for advanced applications: First international conference, ncaa 2020, shenzhen, china, july 3-5, 2020, proceedings 1 (pp. 447–460). Springer. https://doi.org/10.1007/978-981-15-7670-6_37
  16. [16] Lu, W., Li, J., Wang, J., & Qin, L. (2021). A CNN-BiLSTM-AM method for stock price prediction. Neural computing and applications, 33(10), 4741–4753. https://doi.org/10.1007/s00521-020-05532-z
  17. [17] Wang, Y., Wang, L., Yang, F., Di, W., & Chang, Q. (2021). Advantages of direct input-to-output connections in neural networks: The Elman network for stock index forecasting. Information sciences, 547, 1066–1079. https://doi.org/10.1016/j.ins.2020.09.031
  18. [18] Dutta, A., Kumar, S., & Basu, M. (2020). A gated recurrent unit approach to bitcoin price prediction. Journal of risk and financial management, 13(2), 23. https://doi.org/10.3390/jrfm13020023
  19. [19] Qiu, J., Wang, B., & Zhou, C. (2020). Forecasting stock prices with long-short term memory neural network based on attention mechanism. PLoS one, 15(1), e0227222. https://doi.org/10.1371/journal.pone.0227222
  20. [20] Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE transactions on signal processing, 45(11), 2673–2681. https://doi.org/10.1109/78.650093

دانلود

چاپ شده

2025-04-06

شماره

دوره 3 شماره 2 (1404): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

قاسمی م., شیری م., & طاهری ا. (2025). ارتقای تصمیم‌گیری مالی با استفاده از یادگیری عمیق BiLSTM: شواهدی از پیش‌بینی قیمت سهام اپل. علوم مدیریت و تحلیل تصمیم , 3(2), 59-67. https://doi.org/10.22105/msda.v3i2.86
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.