مدل‌سازی کارای سری‌های زمانی چند متغیره با استفاده از یادگیری عمیق[Persian Thesis]

پویا طلیعه نوری

پیش‌بینی سری‌های زمانی در بازار سهام به‌عنوان یکی از ابزارهای حیاتی برای تحلیلگران مالی و سرمایه‌گذاران، نقش بسیار مهمی در تصمیم‌گیری‌های اقتصادی و مدیریت ریسک ایفا می‌کند. دقت در پیش‌بینی قیمت‌های آینده سهام می‌تواند به بهبود عملکرد سرمایه‌گذاری و کاهش زیان‌ها منجر شود. با توجه به پیچیدگی‌ها و نوسانات بازار سهام، استفاده از مدل‌های پیشرفته یادگیری عمیق برای پیش‌بینی دقیق‌تر ضروری به نظر می‌رسد. در این پژوهش، از مدل‌های پیشرفته پیش‌بینی سری‌های زمانی شامل مدل‌های مبتنی بر ترنسفورمر و مدل‌های خطی استفاده شده است. این مدل‌ها با بهره‌گیری از تکنیک‌های مدرن یادگیری عمیق و توانایی شناسایی الگوهای پیچیده در داده‌های سری زمانی، امکان پیش‌بینی دقیق قیمت‌های سهام را فراهم می‌کنند. این پژوهش به بررسی عملکرد این مدل‌ها در پیش‌بینی قیمت‌های بازار سهام ایالات متحده پرداخته و نتایج به‌دست‌آمده را تحلیل کرده است. نتایج شبیه‌سازی‌ها نشان می‌دهد که مدل‌های مورد استفاده عملکرد بسیار قابل قبولی داشته‌اند و توانسته‌اند با دقت بالایی قیمت‌های آینده سهام را پیش‌بینی کنند. این نتایج اثبات می‌کند که مدل‌های یادگیری عمیق، به‌ویژه مدل‌های مبتنی بر ترنسفورمر و مدل‌های خطی، ابزارهای مؤثری برای پیش‌بینی سری‌های زمانی در بازار سهام هستند و می‌توانند به عنوان راه‌حلی قدرتمند برای تحلیل‌های مالی و تصمیم‌گیری‌های سرمایه‌گذاری به کار گرفته شوند.واژه‌های كليدی: پیش بینی سری‌های زمانی، پیش بینی بازار سهام، یادگیری عمیق، تحلیل مالی