بررسی قدرت مدل‌های مبتنی بر هوش مصنوعی در پیش‌بینی روند قیمت سهام بورس اوراق بهادار تهران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار، گروه اقتصاد، دانشکده علوم انسانی، دانشگاه خاتم، تهران، ایران.

2 کارشناس ارشد، گروه اقتصاد ، دانشکده علوم انسانی، دانشگاه خاتم، تهران، ایران.

چکیده

هدف: در سال‌های اخیر، روش‌های پیش‌بینی داده‌های سری زمانی مبتنی بر هوش مصنوعی و یادگیری عمیق گسترش بسیاری یافته است. با توجه به اینکه این داده‌ها در حوزه سرمایه‌گذاری و پیش‌بینی قیمت سهام ابعاد بزرگی دارند، روش‌های سنتی تحلیل داده، به‌سختی می‌توانند به یادگیری آن‌ها بپردازند. در این پژوهش، قدرت مدل‌های مختلف مبتنی بر یادگیری ماشین، در پیش‌بینی روند قیمت سهام در بورس اوراق بهادار تهران بررسی شده است.
روش: پس از جمع‌آوری داده‌های 150 شرکت‌ بزرگ پذیرفته‌شده در بورس اوراق بهادار تهران، از سال 1390 تا 1399، با تنظیم دقیق روش‌های یادگیری ماشین برای هر یک از سهام، به پیش‌بینی روند قیمت سهام و صحت‌سنجی هر یک از روش‌ها پرداختیم و آن‌ها را با هم مقایسه کردیم. در این روش‌ها، در هر مرحله یادگیری، بخشی از داده‌ها را به بخش یادگیری و ارزیابی و بقیه را به بخش آزمون اختصاص دادیم. این روش‌ها عبارت بودند از: مدل‌های‌ خطی، مدل‌های خودهم‌بسته، جنگل تصادفی و شبکه‌های عصبی.
یافته‌ها: مدل‌های مبتنی بر یادگیری عمیق نسبت به سایر مدل‌ها عملکرد بهتری از خود نشان می‌دهند و در پیش‌بینی روند کوتاه‌مدت قیمت سهام، از دقتی حدود 70 تا 80 درصد برخوردارند. همچنین، مدل‌های یادگیری کم‌عمق دقت بالاتری داشتند. به‌طور کلی، بیشتر مدل‌ها در پیش‌بینی روندهای منفی سهام، عملکرد بهتری نشان می‌دهند.
نتیجه‌گیری: در این پژوهش، تلاش شد تا مدل‌ها با دقت بسیار به‌کار گرفته شوند. نتایج پژوهش نشان داد که برخلاف یافته‌های پژوهش‌های گذشته، این مدل‌ها نتایج خیره‌کننده‌ای در اختیار سرمایه‌گذاران قرار نمی‌دهند.

کلیدواژه‌ها

عنوان مقاله [English]

Inspecting the Predictive Power of Artificial Intelligence Models in Predicting the Stock Price Trend in Tehran Stock Exchange

نویسندگان [English]

  • Mahdi Heidari 1
  • Hamidreza Amiri 2
1 Assistant Prof., Department of Economics, Faculty of Economics and Finance, Khatam University, Tehran, Iran.
2 MSc. Student, Department of Economics, Faculty of Humanities, Khatam University, Tehran, Iran.
چکیده [English]

Objective: Time series prediction methods based on artificial intelligence have been widely developed in recent years. Given that these data have large dimensions in the field of investment and stock price forecasting, traditional data analysis methods have low predictive power. This study examines the predictive power of a variety of models based on machine learning in the Tehran Stock Exchange.
Methods: After collecting data from 150 large companies listed on the Tehran Stock Exchange from 2012 to 2021, we want to predict the stock price trend- the movement direction of the price- and then validate each method and compare their accuracy. In these methods, we allocate part of the data to the learning section and the rest to the test section. We take these periods as training and trading sets. These methods include linear models, autocorrelation models, trees, and neural networks.
Results: Deep learning models show better performance than other models and have an accuracy of about 70 percent. Also, we show the time series of the best-performance model accuracy of portfolios of some large industries. The best-performance model of DL in this study is Recurrent Neural Networks. In addition, we show that shallow learning models have higher accuracy and most models perform better in predicting descending stock trends.
Conclusion: In this study, after trying to use the models very carefully, the result is that these models do not provide stunning results to investors.

کلیدواژه‌ها [English]

  • Stock price prediction
  • Machine learning
  • Investment
  • Tehran stock exchange

مراجع

افشاری راد، الهام؛ علوی، سید عنایت اله و سینایی، حسنعلی (1397). مدلی هوشمند برای پیش‌بینی روند سهام با استفاده از روش‌های تحلیل تکنیکال. تحقیقات مالی، 20(2)، 249-264.
سیف، سمیرا؛ جمشیدی نوید، بابک؛ قنبری، مهرداد؛ اسماعیلی‌پور، منصور (1400). پیش‌بینی روند بورس سهام ایران با اسـتفاده از نوسان نمای موج الیوت و شاخص قدرت نسبی. تحقیقات مالی، 23(1)، 134-157.
درودی، دیاکو؛ ابراهیمی، سید بابک (1395). ارائه روش هیبریدی نوین برای پیش‎بینی شاخص کل قیمت بورس اوراق بهادار. تحقیقات مالی، 18(4)، 613-632.
فخاری، حسین؛ ولی پور خطیر، محمد؛ موسوی، سیده مائده (1396). بررسی عملکرد شبکه عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‎های کلاسیک در پیش‎بینی قیمت سهام شرکت‎های سرمایه‎گذاری. تحقیقات مالی، 19(2)، 299-318.
فلاح پور، سعید؛ حکیمیان، حسن (1398). بهینه‎سازی استراتژی معاملات زوجی با استفاده از روش یادگیری تقویتی، با به‌کارگیری دیتاهای درون‎روزی در بورس اوراق بهادار تهران. تحقیقات مالی، 21(1)، 19-34.
 
References
Afsharirad, E., Alavi, S. E., & Sinaei, H. (2018). Developing an Intelligent Model to Predict Stock Trend Using the Technical Analysis. Financial Research Journal, 20(2), 249-264. (in Presian)
Bianchi, D., Büchner, M., & Tamoni, A. (2020). Bond risk premia with machine learning. WBS Finance Group Research Paper, (252).
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Brogaard, J., & Zareei, A. (2019). Machine learning and the stock market. Available at SSRN 3233119.
Campbell, J. Y., & Thompson, S. B. (2008). Predicting excess stock returns out of sample: Can anything beat the historical average? The Review of Financial Studies, 21(4), 1509-1531.
Chen, L., Pelger, M., & Zhu, J. (2019). Deep learning in asset pricing. Available at SSRN 3350138.
Cochrane, J. H. (2011). Presidential address: Discount rates. The Journal of finance, 66(4), 1047-1108.
Dorodi, D., & Abrahimi, S. B. (2017). Presenting a new hybrid method for predicting the Stock Exchange price index. Financial Research Journal, 18 (4), 612-632. (in Persian)
Fakhari, H., Valipour Khatir, M. & Mousavi, M. (2017). Investigating Performance of Bayesian and Levenberg-Marquardt Neural Network in Comparison Classical Models in Stock Price Forecasting. Financial Research Journal, 19 (2), 229-318. (in Persian)
Fallahpour, S., & Hakimian, H. (2019). Paired Trading Strategy Optimization Using the Reinforcement Learning Method: Intraday Data of Tehran Stock Exchange. Financial Research Journal, 21(1), 19- 34. (in Persian)
Fama, E. F., & French, K. R. (1992). The cross‐section of expected stock returns. The Journal of Finance, 47(2), 427-465.
Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33, 3-52.
Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of financial economics, 116(1), 1-22.
Giglio, S., & Xiu, D. (2017). Inference on risk Premia in the presence of omitted factors (No. w23527). National Bureau of Economic Research.
Graves, A. (2013). Generating sequences with recurrent neural networks. arXiv preprint arXiv:1308.0850.
Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223-2273.
Harvey, C. R., Liu, Y., & Zhu, H. (2016). … and the cross-section of expected returns. The Review of Financial Studies, 29(1), 5-68.
Heaton, J. B., Polson, N. G., & Witte, J. H. (2017). Deep learning for finance: deep portfolios. Applied Stochastic Models in Business and Industry, 33(1), 3-12.
Henriksson, R. D., & Merton, R. C. (1981). On market timing and investment performance. II. Statistical procedures for evaluating forecasting skills. Journal of business, 513-533.
Huck, N. (2009). Pairs selection and outranking: An application to the S&P 100 index. European Journal of Operational Research, 196(2), 819-825.
Krauss, C., Do, X. A., & Huck, N. (2017). Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500. European Journal of Operational Research, 259(2), 689-702.
Malkiel, B. G., & Fama, E. F. (1970). Efficient capital markets. A review of theory and empirical work Journal of Finance, 25, 383, 417.
Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.
Medsker, L., & Jain, L. C. (Eds.). (1999). Recurrent neural networks: design and applications. CRC press.
Olah, C. (2015). Understanding lstm networks.
Seif, S., Jamshidinavid, B., Ghanbari, M. & Esmaeilpour, M. (2021). Predicting Stock Market Trends of Iran Using Elliott Wave Oscillation and Relative Strength Index. Financial Research Journal, 23(1), 134-157. (in Persian)
Sirignano, J., Sadhwani, A., & Giesecke, K. (2016). Deep learning for mortgage risk. arXiv preprint arXiv:1607.02470.
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
تحقیقات مالی
دوره 24، شماره 4
1401
صفحه 602-623

فایل ها

هم رسانی

ارجاع به این مقاله

آمار