Islamic Economics & Banking

fa ارائه مدل بهینه GWO-LSTM جهت پیش‌بینی شاخص S&P 500 در بازار بورس An Optimized GWO-LSTM Model for Forecasting the S&P 500 Index in the Stock Market تخصصي Special پژوهشي Research <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Stock market forecasting plays a crucial role in financial decision-making; however, traditional models often struggle to capture the complex and nonlinear dynamics of financial data. Despite the widespread use of machine learning techniques to enhance prediction accuracy, many models still fall short due to suboptimal parameter tuning and limited adaptability to volatile market conditions. In this study, we propose a novel hybrid model called GWO-LSTM, which integrates the Grey Wolf Optimizer (GWO) with Long Short-Term Memory (LSTM) neural networks to optimize hyperparameters and improve stock price prediction accuracy. The model was tested using historical data of the S&P 500 index from 2015 to 2024, incorporating features such as open, high, low, volume, and closing prices. The model's performance was evaluated using three key metrics: the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE). It was also benchmarked against baseline models including multilayer perceptron, artificial neural networks, and extreme learning machines. Furthermore, the Diebold-Mariano test and p-value analysis confirmed the statistically significant superiority of the proposed model. The findings indicate that GWO-LSTM can serve as a powerful tool for enhancing stock market forecasts, supporting financial decision-making, and improving risk management.  </div> پیش‌بینی بازار بورس, یادگیری ماشین, سری‌های زمانی, مدیریت مالی, مدیریت ریسک, GWO-LSTM, بهینه‌سازی فرا ابتکاری. Stock market prediction, machine learning, time series forecasting, financial management, risk management, GWO-LSTM, metaheuristic optimization 241 277 http://mieaoi.ir/browse.php?a_code=A-10-1082-5&slc_lang=fa&sid=1 Arash Einy آرش عینی arash.einy1364@gmail.com 100319475328460014457 100319475328460014457 Yes Master of Accounting, Novin Non-Profit Organization, Ardabil کارشناس ارشد حسابداری موسسه غیرانتفاعی نوین، اردبیل، ایران (نویسنده مسئول) Mahnaz Khodaei مهناز خدائی نیارق M_khodaei66@yahoo.com 100319475328460014458 100319475328460014458 No Master of Psychology, Azad University کارشناسی ارشد روان شناسی، دانشگاه آزاد اردبیل