اقتصاد سنجی
امین امینی مهر؛ علی رئوفی؛ اکبر امینی مهر؛ امیر حسین امینی مهر
چکیده
در این تحقیق به منظور پیشبینی داده های سری زمانی مالی با استفاده از شبکه عصبی حافظه کوتاه و بلند مدت ماندگا تاثیر روش های مختلف پیشپردازش داده ها با همدیگر مقایسه شده است. در روش اول داده های مربوط به 78 اندیکاتور تکنیکال به الگوریتم تحلیل مولفه های اولیه داده شده و با استفاده از خروجی های آن، مدل پیشبینی پیاده سازی شده است. در ...
بیشتر
در این تحقیق به منظور پیشبینی داده های سری زمانی مالی با استفاده از شبکه عصبی حافظه کوتاه و بلند مدت ماندگا تاثیر روش های مختلف پیشپردازش داده ها با همدیگر مقایسه شده است. در روش اول داده های مربوط به 78 اندیکاتور تکنیکال به الگوریتم تحلیل مولفه های اولیه داده شده و با استفاده از خروجی های آن، مدل پیشبینی پیاده سازی شده است. در روش دوم به جای استخراج مؤلفه های موثر، برای انتخاب موثر ترین متغیر ها از الگوریتم جنگل تصادفی استفاده شد. در آزمایشی دیگر از متغیر های تولید شده توسط استراتژی های تکنیکال برای توسعه الگوریتم پیشبینی استفاده شده است. در نهایت با استفاده از مدل یادگیری عمیق سری زمانی تغذیه شده توسط وقفه های متغیر وابسته، یک بار با کمک موجک و نوفه زدایی و بار دیگر بدون موجک پیشبینی انجام شده است. نتایج حاصل شده از توابع متعدد سنجش خطا از جمله MSE, MAE, MAPE و نیکویی برازش بر روی داده های آزمون نشان داد که مدل یادگیری عمیق به همراه موجک بهترین پیشبینی را بر روی شاخص بورس تهران ارائه داده اند. در نهایت آزمون دیابود ماریانو نشان داد که اختلاف دقت روش های مقایسه شده در این تحقیق از حیث آماری معنی دار میباشد. به طور خلاصه این تحقیق نشان داد که با وجود این که مدل های یادگیری عمیق توان خوبی برای استخراج دانش از میان داده های سری زمانی مربوط به شاخص بورس تهران را دارند، این عملکرد را با استفاده از تکنیک نوفه زدایی موجک بهبود بخشیده می شود.