ارائه ی یک مدل ترکیبی مبتنی بریادگیری ماشین و مدل های کلاسیک برای پیش بینی سری های زمانی مالی

چکیده:
این پژوهش به دنبال توسعه یک مدل ترکیبی است که روش‌های کلاسیک پیش‌بینی سری‌های زمانی، مانندمدل‌های ARIMA ۱ با مدل‌های پیشرفته یادگیری عمیق از جمله شبکه‌ی LSTMبرای پیش‌بینی سری‌های زمانی مالی ترکیب ‌کند. روش‌های سنتی مانند ARIMA در شناسایی الگوهای خطی و فصلی داده‌ها مؤثر هستند، در حالی که شبکه‌های LSTM توانایی بالایی در مدل‌سازی روابط پیچیده و غیرخطی و وابستگی‌های زمانی دارند. با ادغام نقاط قوت هر دورویکرد، این پژوهش درصدد است دقت پیش‌بینی‌های بازارهای مالی، به‌ویژه در شرایطنوسانی، را بهبود بخشد. در این مطالعه، داده‌های مالی نظیر شاخص S&am ۵۰۰ جمع‌آوری و بااستفاده از تکنیک‌های پیش‌پردازش داده‌ها پاکسازی و آماده‌سازی می‌شوند. سپس، مدل ترکیبی توسعه یافته و با مدل‌های استاندارد مقایسه می‌شود تا عملکرد پیش‌بینی آن از طریق معیارهایی مانند RMSE و MSE ارزیابی گردد. این رویکرد پیشنهادی قصد دارد پیش‌بینی‌های دقیق‌تر وقابل اطمینان‌تری ارائه دهد و برای سرمایه‌گذاران و تحلیل‌گران در فرآیند تصمیم‌گیری مالی اطلاعات ارزشمندی فراهم کند.

سایر مطالب این بخش | نسخه قابل چاپ | ارسال به دوستان |

مطالب مشابه

تکمیل فرم پیشخوان خدمت آموزش

مطالعه آزمایشگاهی عملکرد ژئوگرید ها تحت تاثیر فرسایش ناشی از فعالیت میکروبی

دفعات مشاهده: 4 بار | دفعات چاپ: 0 بار | دفعات ارسال به دیگران: 0 بار | 0 نظر