نوع مقاله : مقاله پژوهشی

نویسندگان

• رضا طالبلو ¹
• پریسا مهاجری ²

¹ دانشکده اقتصاد دانشگاه علامه طباطبائی

² عضو هیئت علمی دانشکده اقتصاد دانشگاه علامه

چکیده

مقاله حاضر به بررسی کاربرد الگوهای خانواده شبکه عصبی بازگشتی (مشتمل بر RNN، LSTM و GRU) در پیش‌بینی شاخص صنایع بورسی انرژی با استفاده از داده‌های سری زمانی از 1 مه 2020 تا 1 مه 2024 پرداخته است. داده‌های روزانه به دو قسمت دوره آموزش یا یادگیری (80 درصد) و دوره آزمون (20 درصد) تقسیم شدند و در گام اول، معماری بهینه الگوها (برآورد ابرپارامترها) برای پیش‌بینی 1، 2، 5 و 20 روز کاری با استفاده از داده‌های دوره یادگیری انجام شد و سپس، خطاهای پیش‌بینی سه الگوی غیرخطی یادگیری ماشین با الگوی خطی اقتصادسنجی ARIMA در افق‌های مختلف زمانی مقایسه شدند. یافته‌ها در دو حوزه اعتبارسنجی متقابل مدل‌های یادگیری ماشین و همچنین خطای پیش‌بینی حاکی از آن است که: نخست، با افزایش افق پیش‌بینی، اندازه رسته لازم برای حصول به بهترین پیش‌بینی برای هر سه الگوی یادگیری ماشین کاهش می‌یابد و هر چه اندازه حجم نمونه ورودی یادگیری بزرگتر باشد، اندازه رسته کوچکتر خواهد بود. دوم، در افق‌های پیش‌بینی کوتاه‌مدت 1، 2 و 5 روز کاری، مدل‌های یادگیری ماشین خصوصاً LSTM، خطای پیش‌بینی کمتری در مقایسه با ARIMA دارند، درحالیکه در افق پیش‌بینی 20 روز کاری (1 ماه)، دقت پیش‌بینی ARIMA نزدیک به مدل‌های غیرخطی هوش مصنوعی می‌شود. سوم، به موازات با افزایش افق پیش‌بینی، بر مقدار خطا افزوده می‌شود به طوری‌که دقت پیش‌بینی از حدود 5/98 درصد (برای افق 1 روزه) به 5/92 درصد (برای افق 20 روزه) کاهش می‌یابد. چهارم، انتخاب روش مناسب در پیش‌بینی شاخص صنایع بورسی انرژی، بستگی به افق پیش‌بینی و مشخصات داده‌ها دارد.

کلیدواژه‌ها

• یادگیری ماشین
• هوش مصنوعی
• شبکه عصبی بازگشتی
• پیش‌بینی بازار سهام

موضوعات

• • سیاستگذاری‌های اقتصادی و مالی در حوزه‌های فوق‌الذکر در سطوح ملی، منطقه‌ای و جهانی