مدلسازی پیش‌بینی جهش‌های شاخص بازار سهام بر اساس رویکرد شبکه عصبی بازگشتی یادگیری عمیق

سهرابی, مریم; میربرگ کار, سید مظفر; چیرانی, ابراهیم; خردیار, سینا

doi:10.22034/jse.2021.11655.1762

مدلسازی پیش‌بینی جهش‌های شاخص بازار سهام بر اساس رویکرد شبکه عصبی بازگشتی یادگیری عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

مریم سهرابی ¹

سید مظفر میربرگ کار ²

ابراهیم چیرانی ²

سینا خردیار ³

¹ دانشجوی دکتری تخصصی مهندسی مالی، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.

² استادیار، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.

³ استادیار، گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.

10.22034/jse.2021.11655.1762

چکیده

هدف از انجام این پژوهش بررسی دقت پیش‌بینی جهش‌های شاخص سهام بر اساس روش‌های مختلف یادگیری ماشین در بورس اوراق بهادار تهران است. برای رسیدن به این هدف، در گام نخست جهش‌های شاخص کل بورس اوراق بهادار تهران طی دوره 1392 تا 1399 بر اساس رویکرد ARJI-GARCH استخراج گردید. در گام بعدی، با بهره‌‌گیری از رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به پیش‌بینی جهش‌های شاخص سهام پرداخته شد. بدین منظور، از 80 درصد کل داده‌ها به عنوان دوره یادگیری ماشین (درون‌ نمونه) و مابقی داده‌ها به عنوان دوره آزمون (خارج از نمونه) استفاده شده است. نتایج پیش‌بینی 1، 3 و 6 روزه برای دوره آزمون (خارج از نمونه) نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) نتیجه بهتری نسبت به سایر مدل‌های مورد بررسی برای هر سه افق پیش‌بینی داشته است.

کلیدواژه‌ها

جهش بازار سهام

پیش بینی

یادگیری ماشین

شبکه عصبی بازگشتی

عنوان مقاله English

Modeling the Prediction of Stock Market Jumps Based on the Recurrent Neural Network and Deep Learning

نویسندگان English

MARYAM SOHRABI ¹

Seyed Mozaffar Seyed Mozaffar ²

Ebrahim Chirani ²

Sina Kheradyar ³

¹ Ph.D. Student in Financial Engineering, Department of Business Management, Rasht Branch, Islamic Azad University, Rash, Iran.

² Assistant Professor, Department of Business Management, Rasht Branch, Islamic Azad University, Rasht, Iran.

³ Assistant Professor, Department of Accounting, Rasht Branch, Islamic Azad University, Rasht, Iran.

چکیده English

Predicting crises and price jumps in the stock market and based on different models has been growing over the last decade. Due to the presence of big data, this issue has led to the growth of developments in the field of machine learning and deep learning models. Due to the importance of this issue, This study examined the ability of different machine learning models to predict the jumps in the total index of the Tehran Stock Exchange during the period 2013 to 2020. For this purpose, first stock market jumps were extracted based on the ARJI-GARCH approach and then these jumps were predicted by considering the possible effective variables including global and domestic markets. The prediction results of 1-, 3-, and 6-day periods for the out-of-sample period show that the machine learning method based on the long short-term memory (LSTM) network, a recurrent neural network, has a better result than other models.

کلیدواژه‌ها English

Stock market jumps

Forecasting

Machine learning

Recurrent neural networks

باجلان، سعید؛ فلاحپور، سعید؛ دانا، ناهید. (1395). "پیش‌بینی روند تغییرات قیمت سهام با استفاده از ماشین بردار پشتیبان وزن‌دهی شده و انتخاب ویژگی هیبرید به منظور ارائه استراتژی معاملاتی بهینه"، راهبرد مدیریت مالی، 4(3)، 121-148.

دهقانی، مریم؛ قاسم‌زاده، محمد؛ انصاری سامانی، حبیب. (1398). "الگوریتم‌های یادگیری ماشین برای سری‌های زمانی در بازارهای مالی"، مجله علمی رایانش نرم و فناوری اطلاعات، 3(3)، 67-60.

راعی، رضا؛ نیک‌عهد، علی؛ حبیبی، مصطفی. (1395). "پیش‌بینی شاخص بورس اوراق بهادار تهران با ترکیب روش‌های آنالیز مؤلفه‌های اصلی، رگرسیون بردار پشتیبان و حرکت تجمعی ذرات"، راهبرد مدیریت مالی، 4(4)، 23-1.

فقیهی‌نژاد، محمدتقی؛ مینایی، بهروز. (1397). "پیش‌بینی رفتار بازار سهام بر اساس شبکه‌های عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند"، فصلنامه مدیریت صنعتی، 10(2)، 334-315.

فلاح‌پور، سعید؛ علی‌پور ریکنده، جواد. (1393). "پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران"، راهبرد مدیریت مالی، 2(4)، 31-15.

Adebiyi, A. A., Adewumi, A.O., & Ayo, C. K. (2014). “Comparison of ARIMA and artificial neural networks models for stock price prediction”. Journal of Applied Mathematics, 1-7.

Bajlan, Saeed; Falahpour, Saeed; Dana, Nahid. (2015). "Forecasting stock price trends using weighted support vector machine and hybrid feature selection to provide optimal trading strategy", Financial Management Strategy, 4(3), 121-148. (In Persian).

Cavalcante, R. C., Brasileiro, R. C., Souza, V. L.F., 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.

Cervelló-Royo, R., Guijarroa, F., Michniukab, K. (2015) “Stock market trading rule based on pattern recognition and technical analysis: Forecasting the DJIA index with intraday data”, Expert Systems with Applications 42: 5963-5975.

Chaim, Pedro, and Márcio P. Laurini. (2018). “Volatility and return jumps in bitcoin”. Economics Letters 173: 158–63.

Chan, W. and J. Maheu (2002), “Conditional Jump Dynamics in Stock Market Returns”, Journal of Business and Economic Statistics, vol 20, no. 3, 377-389.

Chatzis, S. P., Siakoulis, V., Petropoulos, A., Stavroulakis, E., & Vlachogiannakis, N. (2018).” Forecasting stock market crisis events using deep and statistical machine learning techniques”. Expert Systems with Applications, 112, 353-371.

Chiang, W.-C., Enke, D., Wu, T., Wang, R. (2016) “An adaptive stock index trading decision support system”, Expert Systems with Applications 59: 195- 207.

Christiansen, C. and Ranaldo, A. (2009) "Extreme coexceedances in new EU member states’ stock markets." Journal of banking & finance 33(6): 1048-1057.

Dehghani, Maryam; Ghasemzadeh, Mohammad; Ansari Samani, Habib. (2018). "Machine Learning Algorithms for Time Series in Financial Markets", Scientific Journal of Soft Computing and Information Technology, 3(3), 67-60. (In Persian).

Duan, Y., Goodell, J. W., Li, H., & Li, X. (2021). “Assessing machine learning for forecasting economic risk”, Evidence from an expanded Chinese financial information set. Finance Research Letters.

Falahpour, Saeed; Alipour Rikande, Javad. (2013). "Prediction of stock index using wavelet neural networks in Tehran Stock Exchange", Financial Management Strategy, 2(4), 15-31. (In Persian)

Faqihi Nejad, Mohammad Taghi; Minaei, Behrouz. (2017). "Prediction of Stock Market Behavior Based on Artificial Neural Networks with Intelligent Collective Learning Approach", Industrial Management Quarterly, 10(2), 334-315. (In Persian)

Kim, Y., H., Chang, W., H. (2018) “Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models”, Expert Systems with Applications 103: 25-37.

Maqsood, H., Mehmood, I., Maqsood, M., Yasir, M., Afzal, S., Aadil, F., Selim, M. M., ... Muhammad, K. (2021). “A local and global event sentiment based efficient stock exchange forecasting using deep learning”. International Journal of Information Management, 50, 432-451.

Nevasalmi, L. (2020). “Forecasting multinomial stock returns using machine learning methods”. The Journal of Finance and Data Science, 6, 86-106.

Oztekin, A., Kizilaslan, R., Freund, S. and Iseri, A. (2016) “A data analytic approach to forecasting daily stock returns in an emerging market” European Journal of Operational Research, 253(3): 697-710.

Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). “Predicting stock market index using fusion of machine learning techniques”. Expert Systems with Applications, 42, 4, 2162-2172.

Rai, Reza; Nikahed, Ali; Habibi, Mustafa. (2015). "Prediction of Tehran Stock Exchange index by combining methods of principal component analysis, support vector regression and cumulative movement of particles", Financial Management Strategy, 4(4), 1-23. (In Persian).

Wang, Y. (2018). “The Jump Dynamics of the Industry-Specific Nominal Effective Exchange Rate of RMB and the Impact of Major International Currencies on It—An Empirical Study Based on the ARJI Model”. Journal of Financial Risk Management, 7, 1, 65-98.

Xiao, Y., Xiao, J., Lu, F., & Wang, Sh. (2013). “Ensemble ANNs-PSO-GA Approach for Dayahead Stock E-exchange Prices Forecasting”. International Journal of Computational Intelligence Systems, 6(1), 96-114.

Zhong, X., Enke, D. (2017) “Forecasting daily stock market return using dimensionality reduction.” Expert Systems with Applications 67: 126-139.