(پیش‌بینی قیمت سهام با استفاده از شبکه‌های عصبی LSTM مطالعه‌ای جامع و مروری بر سهام اپل و تسلا)

محمدامین مهدیان1 احسان سلیمانی دهکردی2

چکیده :
چکیده این مقاله به بررسی جامع و عمیق کاربرد شبکه‌های عصبیLSTM (Long Short-Term Memry) در پیش‌بینی قیمت سهام می‌پردازد. با توجه به رشد چشمگیر استفاده از هوش مصنوعی در تحلیل بازارهای مالی و اهمیت پیش‌بینی روند قیمت‌ها در تصمیم‌گیری‌های اقتصادی، هدف از این پروژه، توسعه، ارزیابی و بهینه‌سازی یک مدل LSTM برای پیش‌بینی قیمت سهام اپل (AAPL) و تسلا (TSLA) بوده است. در این راستا، داده‌های تاریخی قیمت سهام جمع‌آوری، پاک‌سازی، پیش‌پردازش و با استفاده از تکنیک‌های مهندسی ویژگی (Feature Engineering) غنی‌سازی شده‌اند. با استفاده از کتابخانه TensorFlow/Keras، یک مدل LSTM با معماری پیچیده و بهینه‌شده طراحی، آموزش و اعتبارسنجی شده است. عملکرد مدل با استفاده از معیارهای MAE، RMSE، MAPE و squared R- ارزیابی شده و نتایج پیش‌بینی با مقادیر واقعی مقایسه شده‌اند. در نهایت، یک ابزار کمکی برای تحلیل اولیه بازار سرمایه ارائه شده است. این مطالعه با بررسی گسترده مقالات مرتبط، تحلیل عمیق داده‌ها و ارائه نتایج تجربی، به درک عمیق‌تری از پتانسیل و محدودیت‌های LSTM در پیش‌بینی قیمت سهام کمک می‌کند و راهکارهایی برای بهبود عملکرد مدل ارائه می‌دهد.

کلمات کلیدی : ‌ها شبکه عصبی lstm پیش‌بینی قیمت سهام یادگیری ماشین بازارهای مالی اپل (aapl) تسلا (tsla) شاخص‌های تکنیکال مهندسی ویژگی tensorflow keras تحلیل سری زمانی هوش مصنوعی داده‌های مالی پیش‌بینی مالی منابع [1] fischer t & krafft a (2020) improvements of lstm networks for stock market prediction journal of forecasting 39(5) 601 615 [2] ghosh s et al (2020) hybrid lstm based model for stock price prediction information sciences 525 227 241 [3] hochreiter s & schmidhuber j (1997) long short term memory neural computation 9(8) 1735 1780 [4] lim y et al (2021) predicting stock prices using lstm with attention mechanism information sciences 537 355 368 [5] nelson b d et al (2020) using lstm recurrent neural networks to forecast stock prices ieee access 8 182315 182323 [6] shah i et al (2020) stock price prediction using lstm networks expert systems with applications 127 113622 [7] wong c w et al (2022) memory augmented lstm for stock price prediction ieee transactions on neural networks and learning systems 34(12) 3245 3258


زبان مقاله : فارسی
محور مقاله : فناوری های کاربردی هوش مصنوعی و کاربردهای آن در علوم مختلف
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABDAKC
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABDAKC

سایر مقالات محل انتشار
  1. A Study on Design Understandability and Interaction of the therapy-specific Robots
  2. طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتی‌ژن
  3. طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
  4. یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکه‌های خودرویی شهرهای هوشمند با استفاده از داده‌های ترافیکی شبکه سلولی
  5. An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
  6. تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی
  7. Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
  8. ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
  9. کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
  10. Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
  11. Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
  12. تحلیل آینده‌پژوهانه هم‌گرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
  13. نقش تحول دیجیتال در خدمات کتابخانه‌های عمومی برای توان‌یابان جسمی و ذهنی
  14. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
  15. Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems