استفاده از ساختار ترنسفورمر برای پیش بینی شاخص بازار سرمایه و بهینه سازی هزینه معاملاتی[پايان نامه فارسي]

محمداحسان عمو

در دهه‌های اخیر، استفاده از مدل‌های یادگیری عمیق ( Deep Learning) در پیش بینی بازار‌های مالی به عنوان یک رویکرد نوین مورد توجه قرار گرفته است. در این پژوهش سعی کرده‌ایم با استفاده از مدلی بر پایه ساختار ترنسفورمر ( Transformer)، شاخص کل بورس تهران را پیش بینی کنیم. ترنسفورمر در ابتدا برای پردازش زبان طبیعی ( Natural language processing) مورد استفاده قرار گرفت ولی به تازگی کاربرد این ساختار در پیش بینی سری‌های زمانی نیز مورد بررسی قرار گرفته است. در پیاده سازی این مدل سعی شده‌است تا علاوه بر توج به دقت مدل، با بهینه کردن تعداد معاملات، هزینه‌های معاملاتی را به حداقل برسانیم. در نهایت نشان می‌دهیم که این مدل عملکرد بهتری نسبت به شاخص دارد و همچنین این عملکرد را با سایر روش‌های آماری و یادگیری ماشین از جمله ARIMA و LSTM مقایسه می‌کنیم. واژه‌های كليدی: ترنسفورمر، یادگیری عمیق، پیش بینی شاخص