طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار(با تاکید بر مدل‌های ترکیبی شبکه یادگیری عمیق و مدل‌های خانواده GARCH)

در سال‌های اخیر، توسعه‌ی پردازنده‌های کامپیوتری موجب معرفی الگوریتم‌های جدیدی برای پیش‌بینی دادههای مالی شده است که یکی از این الگوریتم‌ها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی‌ از شبکه یادگیری عمیق (Deep Learning) و مدل‌های منتخب خانواده GARCH جهت پیش‌بینی کوتاه‌مدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته می‌شود. مهمترین ویژگی شبکه یادگیری عمیق در این است که بدون محدود بودن به مدل‌های معین، می‌تواند خود را با نوسانات متغیرهای بازار هماهنگ و تعدیل نماید. در این پژوهش از میان مدل‌های شبکه یادگیری عمیق، شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه‌مدت و بلندمدت (RNN-LSTM) انتخاب و از مدل‌های دارای حافظه‌کوتاه مدت GARCH و EGARCH در ساختار آن استفاده می‌شود. همچنین دو متغیر مستقل قیمت نفت و نرخ دلار در ساختار مدل ترکیبی، کمک فراوانی به آن در پیش‌بینی دقیقتر داده‌های مالی می‌کند. نتایج تحقیق نشان می‌دهد که مدلهای ترکیبی دقت پیش‌بینی بالاتری نسبت به مدل‌های تکی دارند. همچنین براساس معیارهای ارزیابی خطای پیش‌بینی RMSE و MAPE، مدل RNN-LSTM-EGARCH برپایه توزیع GED دارای خطای پیش‌بینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیش‌بینی دیبولد-ماریانو (DM) نیز یافته‌های فوق را تایید میکند.