مقایسه عملکرد مدلهای LSTM، جنگل تصادفی و ARIMA در پیشبینی قیمت سهام بورس اوراق بهادار تهران
مقایسه عملکرد مدلهای LSTM، جنگل تصادفی و ARIMA در پیشبینی قیمت سهام بورس اوراق بهادار تهران
آریان فتحی نژاد1
1) دانشجوی کارشناسیارشد مهندسی مالی و مدیریت ریسک، دانشکدگان فارابی، دانشگاه تهران، قم، ایران ،
کد IOI مقاله
:
AAHC-ABKAEB
محل انتشار :
کنفرانس ملی مدیریت، تجاری سازی، اقتصاد دانش بنیان و سرمایه گذاری برای تولید(impeb.ir)
چکیده :
پیشبینی قیمت سهام یکی از مسائل چالشبرانگیز در حوزه مالی است که به دلیل ماهیت غیرخطی و پرنوسان بازارهای سرمایه، اهمیت ویژهای دارد. در این پژوهش، عملکرد سه مدل پیشبینی شامل مدل کلاسیک خودرگرسیون میانگین متحرک انباشته (ARIMA)، مدل یادگیری ماشین جنگل تصادفی (Random Forest) و مدل یادگیری عمیق حافظهی کوتاهمدت طولانی (LSTM) در پیشبینی قیمت سهام بورس اوراق بهادار تهران مقایسه شده است. برای تضمین مقایسهی منصفانه، هر سه مدل بهصورت یکگامبهجلوی غلتان (Walk-Forward) ارزیابی شدند، بهنحویکه هر مدل در هر روز فقط به مقادیر واقعی تا روز قبل دسترسی داشت. دادههای روزانهی چهار نماد پرمعامله (شپنا، کگل، فملی و رمپنا) پس از پاکسازی و حذف اثرات ناشی از افزایش سرمایهی شرکتها، با استفاده از پنجرهی زمانی ۶۰ روزه به مجموعههای آموزش (۸۰ درصد) و آزمون (۲۰ درصد) تقسیم شدند. مدلها با معیارهای RMSE، MAE، MAPE، R² و آزمون معناداری دیبولد-ماریانو، و در کنار یک مدل پایهی گام تصادفی (Naive Random Walk)، ارزیابی شدند. برخلاف انتظار رایج، نتایج نشان داد که در شرایط ارزیابی یکگامبهجلو، مدل ARIMA با میانگین R² معادل ۰.۹۶۸ و MAPE معادل ۲.۰۱ درصد، بهطور آماری معنادار از LSTM (R²=۰.۸۴۷) و جنگل تصادفی (R²=۰.۳۰۶-) پیشی گرفت. با این حال، مقایسه با مدل پایه نشان داد که ARIMA تنها در دو نماد از چهار نماد بهطور معنادار بهتر از پیشبینی سادهی گام تصادفی عمل کرد، که بیانگر آن است که بخش قابلتوجهی از دقت ARIMA ناشی از خودهمبستگی ذاتی بالای قیمت سهام است، نه توان مدلسازی پیچیده. یافتهها نشان میدهد که در افق پیشبینی یکگامبهجلو، مدلهای پیچیدهی یادگیری ماشین و یادگیری عمیق نسبت به مدلهای سادهی سری زمانی برتری ثابتی در پیشبینی قیمت سهام بورس تهران ندارند.
کلمات کلیدی : پیشبینی قیمت سهام ارزیابی یکگامبهجلو lstm جنگل تصادفی arima بورس اوراق بهادار تهران