1- کارشناس ارشد حسابداری موسسه غیرانتفاعی نوین، اردبیل، ایران (نویسنده مسئول) ، arash.einy1364@gmail.com 2- کارشناسی ارشد روان شناسی، دانشگاه آزاد اردبیل
چکیده: (5 مشاهده)
پیشبینی بازار بورس نقش مهمی در تصمیمگیریهای مالی ایفا میکند، اما مدلهای سنتی در شناسایی و بازتاب پویاییهای پیچیده و غیرخطی دادههای مالی با چالشهایی مواجه هستند. با وجود استفاده گسترده از روشهای یادگیری ماشین برای بهبود دقت پیشبینی، بسیاری از این مدلها به دلیل تنظیم غیربهینه پارامترها و ضعف در سازگاری با نوسانات بازار، نتایج دقیقی ارائه نمیدهند. در این مطالعه، یک مدل ترکیبی نوین با نام GWO-LSTM ارائه شده است که با بهرهگیری از الگوریتم بهینهسازی گرگ خاکستری (GWO) به تنظیم بهینه پارامترهای شبکه عصبی حافظه بلندمدت کوتاهمدت (LSTM) میپردازد. هدف این مدل، افزایش دقت پیشبینی قیمت سهام است. ارزیابی عملکرد مدل با استفاده از دادههای تاریخی شاخص S&P 500 در بازه زمانی ۲۰۱۵ تا ۲۰۲۴ و با بهکارگیری متغیرهایی نظیر قیمت باز، سقف، کف، حجم معاملات و قیمت بسته انجام شد. نتایج به کمک معیارهایی همچون ضریب تعیین (R²)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) تحلیل شد و عملکرد مدل پیشنهادی با مدلهای مرجع نظیر پرسپترون چندلایه، شبکه عصبی مصنوعی و ماشین یادگیری شدید مقایسه گردید. همچنین آزمونهای آماری Diebold-Mariano و مقدار p، برتری معنادار مدل پیشنهادی را از نظر آماری تأیید کردند. یافتهها نشان میدهد مدل GWO-LSTM میتواند به عنوان ابزاری مؤثر در بهبود پیشبینیهای بازار بورس، ارتقای تصمیمگیریهای مالی و مدیریت ریسک مورد استفاده قرار گیرد.
Einy A, Khodaei M. An Optimized GWO-LSTM Model for Forecasting the S&P 500 Index in the Stock Market. mieaoi 2026; 15 (54) : 10 URL: http://mieaoi.ir/article-1-1868-fa.html
عینی آرش، خدائی نیارق مهناز. ارائه مدل بهینه GWO-LSTM جهت پیشبینی شاخص S&P 500 در بازار بورس. نشریه اقتصاد و بانکداری اسلامي. 1405; 15 (54) :241-277
