پیش بینی روند قیمتی سهام با استفاده از شبکه عصبی LSTM و تحلیل تکنیکال

نوروزی, نرگس; اسمعیلی حوری, محمدحسین

doi:10.22034/jse.2025.12602.2383

پیش بینی روند قیمتی سهام با استفاده از شبکه عصبی LSTM و تحلیل تکنیکال

نوع مقاله : مقاله پژوهشی

نویسندگان

نرگس نوروزی

محمدحسین اسمعیلی حوری

گروه مهندسی صنایع، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران.

10.22034/jse.2025.12602.2383

چکیده

بازارهای مالی نقش مهمی در تخصیص سرمایه و رشد اقتصادی ایفا می کنند؛ از این رو پیش بینی دقیق روند قیمت سهام از اهمیت ویژه ای برخوردار است. این پژوهش رویکردی نوآورانه برای پیش بینی روند قیمت سهام در بازار بورس اوراق بهادار تهران ارائه می دهد که ترکیبی از روش های امواج الیوت، تحلیل اصلاح فیبوناچی و یک شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) است. روش پیشنهادی با استفاده از داده های تاریخی قیمت سهام برای شناسایی الگوهای تکرارشونده در حرکات قیمت بازار، قابلیت پیش بینی های دقیق تری را نسبت به مدل های سنتی ارائه می دهد. در این پژوهش، نتایج روش پیشنهادی با معیارهایی مانند میانگین خطای مطلق ((MAE و صحت جهت (DA) ارزیابی شده است. نتایج نشان می دهند که مدل LSTMبا MAE برابر با 9.45 و DA برابر با 77.3 %عملکرد بهتری نسبت به مدل های سنتی دارد. همچنین ادغام امواج الیوت و تحلیل فیبوناچی، توانایی مدل را در شناسایی نقاط برگشت و پیش بینی روندهای بازار تقویت می کند. این مطالعه گامی مؤثر در پیش بینی قیمت سهام ارائه داده و ابزارهایی کارآمد برای سرمایه گذاران و سیاست گذاران به منظور بهبود تصمیم گیری در بازارهای مالی فراهم می کند.

کلیدواژه‌ها

پیش بینی قیمت سهام

بازار بورس ایران

تحلیل تکنیکال

شبکه عصبی حافظه کوتاه مدت طولانی (LSTM)

موضوعات

بورس اوراق بهادار

عنوان مقاله English

Stock Price Trend Prediction Using LSTM Neural Network and Technical Analysis

نویسندگان English

Narges Norouzi

Mohamadhosssein Esmaeili Houri

Department of Industrial Engineering, NT.C., Islamic Azad University, Tehran, Iran

چکیده English

Financial markets play a crucial role in capital allocation and economic growth; therefore, accurate prediction of stock price trends is of particular importance. This study presents an innovative approach for predicting stock price trends in the Tehran Stock Exchange by combining Elliott Wave Theory, Fibonacci retracement analysis, and a Long Short-Term Memory (LSTM) neural network. The proposed method utilizes historical stock price data to identify recurring patterns in market price movements, enabling more accurate predictions compared to traditional models. In this research, the performance of the proposed method was evaluated using metrics such as Mean Absolute Error (MAE) and Directional Accuracy (DA). The results indicate that the LSTM model achieved an MAE of 9.45 and a DA of 77.3%, outperforming traditional models. Furthermore, integrating Elliott Waves and Fibonacci analysis enhances the model’s ability to detect reversal points and forecast market trends. This study provides a significant contribution to stock price prediction and offers effective tools for investors and policymakers to improve decision-making in financial markets.

کلیدواژه‌ها English

Stock price prediction

Tehran Stock Exchange

technical analysis

Long Short-Term Memory (LSTM)

neural network

Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 47, 552–567. https://doi.org/10.1016/j.najef.2018.06.013

Dehghan Khalili, Y., & Mohammadi, A. (2017). Evaluation of selected industries in stock exchange using linear programming and multi-criteria decision-making approach. Journal of New Research in Decision Making, 2(2), 133-153. https://journal.saim.ir/ (In Persian)

Dolou, M., & Safari, A. (2016). Stock price index forecasting using hybrid model. Bourse Oraq-e Bahadar (Journal of Securities Exchange), 9(35), 81-101. https://doi.org/ 10.22034/jse.2016.11089. (In Persian)

Fathi, S., & Parvizi, N. (2016). Technical analysis profitability: Combining oscillators with moving average rules. Financial Engineering and Securities Management (Portfolio Management), 7(28), 41-53.

https:/ fej.iauctb.ac.ir. (In Persian)

Gholamian, E., & Davoodi, S. M. R. (2018). Forecasting Price Trends in the Stock Market Using Random Forest Algorithm. Financial Engineering and Securities Management, 9(35), 301-322. https://fej.iauctb.ac.ir (in persian)

Harbaoui, H., Ammar Elhadjamor, E. (2024). Enhancing Stock Price Prediction: LSTM-RNN Fusion Model, Procedia Computer Science, 246, 920-929. https://doi.org/10.1016/j.procs.2024.09.511

Hejase, A. J., Srour, R. M., Hejase, H. J., & Younis, J. (2017). Technical Analysis: Exploring MACD in the Lebanese Stock Market. Journal of Research in Business, Economics and Management, 8(2), 1423-1436. https://doi.org/10.5281/ZENODO.3958582

Khan, W., Ghazanfar, M. A., Azam, M. A., Karami, A., Alyoubi, K. H., & Alfakeeh, A. S. (2022). Stock market prediction using machine learning classifiers and social media, news. Journal of Ambient Intelligence and Humanized Computing, 13(7), 3433–3456. https://doi.org/10.1007/s12652-020-01839-w.

Kianizadeh, H., Baghbani, A., & Hamidian, M. (2023). Comparing the accuracy of selected machine learning models for stock price prediction in the stock exchange. Quarterly Journal of Securities Exchange (Bourse Oraq-e Bahadar), 16(62), 75-102. https://doi.org/ 10.22034/jse.2021.11636.1733. (In Persian)

Ko, C. R., & Chang, H. T. (2021). LSTM-based sentiment analysis for stock price forecast. PeerJ Computer Science, 7, e408.

https://doi.org/10.7717/peerj-cs.408.

Lee, M. C., Chang, J. W., & Hung, J. C. (2021). Exploring the effectiveness of deep neural networks with technical analysis applied to stock market prediction. Computer Science and Information Systems, 18(2):401-418. https://doi.org/10.2298/CSIS200301002L.

Liu, Y., Zhang, W., & Li, Q. (2023). A Novel Hybrid Deep Learning Model for Stock Price Prediction Using Technical Indicators and News Sentiment, Expert Systems with Applications, 211, 118589.

https://doi.org/10.1016/j.eswa.2022.118589.

Marañon, M., Kumral, M. (2018). Exploring the Elliott Wave Principle to interpret metal commodity price cycles, Resources Policy, 59, 125-138.

https://doi.org/10.1016/j.resourpol.2018.06.010

Masry, M. (2017). The Impact of Technical Analysis on Stock Returns in an Emerging Capital Markets (ECM’s) Country: Theoretical and Empirical Study. International Journal of Economics and Finance, 9(3), 91-107. https://doi.org/10.5539/ijef. v9n3p91.

Nikoogbal, A. A., Gondali Alikhani, N., & Naderi, E. (2014). Evaluation of static and dynamic artificial neural network models in stock price prediction. Financial Knowledge of Securities Analysis (Financial Studies), 7(22), 77-91. https://fej.iauctb.ac.ir. (In Persian)

Seif, S., Jamshidi, N., Ghanbari, M., & Esmaeilpour, M. (2021). Forecasting the Trend of Iran's Stock Market Using Elliott Wave Oscillator and Relative Strength Index. Financial Research, 23(1), 134-157.

https://doi.org/10.22059/frj.2021.320503.1007218. (in persian)

Singh, A., Bhardwaj, G., & Srivastava, A. P. (2022). Application of neural network to technical analysis of stock market prediction. IEEE Xplore. 3rd International Conference on Intelligent Engineering and Management (ICIEM). https://doi.org/10.1109/ICIEM54221.2022.9853162.

Sonkavde, G., Dharrao, D. S., Bongale, A. M., Deokate, S. T., Doreswamy, D., & Bhat, S. K. (2023). Forecasting Stock Market Prices Using Machine Learning and Deep Learning Models: A Systematic Review, Performance Analysis and Discussion of Implications. International Journal of Financial Studies, 11(3), 94. https://doi.org/10.3390/ijfs11030094.