دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 14 45 2024 05 21 Presenting an Optimized CNN-LSTM Model for Stock Price Forecasting in the Tehran Stock Exchange ارائه مدلی برای پیش بینی قیمت سهام مبتنی بر CNN-LSTM بهینه شده در بورس اوراق بهادار تهران 123 147 104892 10.48308/jfmp.2024.104892 FA نیما غلامی دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه صنعتی امیرکبیر، تهران، ایران. 0009-0007-7695-7190 ناصر شمس قارنه دانشیار گروه مهندسی صنایع و سیستم های مدیریت ، دانشگاه صنعتی امیرکبیر، تهران، ایران 0000-0003-4936-7797 Journal Article 2024 04 10 Purpose: Understanding stock price behavior is one of the primary objectives for investors and traders in financial markets. Accurate price predictions enable informed decisions about buying, selling, or holding stocks, thereby optimizing transaction timing to maximize profits or minimize losses. Stock price prediction is inherently challenging due to the nonlinear nature of price movements and their dependence on various factors. To address these challenges, this study employs deep learning models, a subset of machine learning techniques known for their capability to handle large datasets effectively. The layered architecture and interconnected nodes (neurons) of these models enable advanced pattern recognition and relationship analysis, resulting in more precise price forecasts. Method: This study proposes two optimized deep learning models, LSTM-CNN and CNN-LSTM, for predicting stock prices in the Tehran Stock Exchange. The models are fine-tuned through hyperparameter optimization using the Particle Swarm Optimization (PSO) algorithm, a population-based method widely recognized in machine learning. Additionally, advanced techniques such as adversarial training, attention mechanisms, and residual blocks are employed to enhance the models’ performance. The proposed models are benchmarked against conventional approaches, including CNN, LSTM, and CNN-LSTM models without optimization. The dataset includes information from 10 selected stocks traded in the Tehran Stock Exchange over a 10-year period, spanning from September 11, 2013, to September 11, 2023. Input variables include adjusted stock prices, financial indicators, oscillators, the free market US dollar price, and inflation rates, providing a comprehensive representation of factors influencing stock price behavior. Findings: The evaluation metrics used in this study—RMSE, MAE, R-squared, and MAPE—reveal that the proposed deep learning models significantly outperform traditional approaches. Among these, the LSTM-CNN model demonstrates superior performance across all metrics, achieving higher prediction accuracy compared to the CNN-LSTM model. Analysis of the models with and without the PSO algorithm confirms that incorporating PSO significantly enhances model optimization. Strategy-based evaluations conducted on five selected stocks from five different industries, over four distinct time periods, further validate the superior financial performance of the proposed models. Specifically, the LSTM-CNN and CNN-LSTM models excel in terms of financial return metrics and the Sharpe ratio. Among the two, the LSTM-CNN model consistently achieves the most favorable outcomes, demonstrating its reliability and robustness for stock price forecasting. Conclusion: Hyperparameters, which must be set before training, significantly influence the performance of deep learning models. The findings emphasize that hyperparameter optimization tailors models to stock-specific behaviors, enabling more accurate price predictions. The LSTM-CNN model outperforms the CNN-LSTM model in feature extraction and identifying dependencies within the data, resulting in improved accuracy. By integrating advanced techniques such as adversarial training, attention mechanisms, and the PSO algorithm, the proposed models provide a robust framework for stock price forecasting in the Tehran Stock Exchange. These results underscore the critical role of deep learning in financial markets, offering investors and traders tools for more informed decision-making. The LSTM-CNN model, in particular, demonstrates exceptional performance in prediction accuracy and financial metrics, making it a valuable approach for enhancing predictive analytics in the capital market. هدف: یکی از مهم‌ترین اهداف سرمایه‌گذاران و معامله‌گران بازار‌های مالی شناخت رفتار قیمت سهام است. پیش‌بینی قیمت، می‌تواند به افراد در مورد خرید، فروش یا نگهداری سهام کمک کند تا با زمان‌بندی موثر معاملات، سود بالقوه را به حداکثر یا زیان را به حداقل برسانند. به دلیل رفتار غیر‌خطی قیمت و وابستگی آن به عوامل گوناگون پیش‌بینی قیمت کار دشواری است که برای مقابله با این چالش، در این پژوهش از مدل‌های یادگیری عمیق کمک گرفته می‌شود که زیر شاخه‌ای از مدل‌های یادگیری ماشین هستند. ساختار مدل‌های یادگیری عمیق به دلیل تمرکز بر روی تعداد لایه‌های بیشتر و استفاده از گره‌های به هم پیوسته (نورون‌ها) در مواجه با مقادیر زیادی داده عملکرد مناسبی دارند و به دلیل توانایی آن‌ها در شناخت الگو‌ها و روابط، امکان ارائه پیش‌بینی دقیق‌تری از قیمت‌ها را فراهم می‌کنند. روش: در این پژوهش، برای پیش‌بینی قیمت‌ سهام در بازار بورس اوراق بهادار تهران از دو مدل پیشنهادی LSTM-CNN و CNN-LSTM به وسیله بهینه‌سازی هایپرپارامتر‌ها توسط الگوریتم PSO که یک الگوریتم بهینه‌سازی مبتنی بر جمعیت است و تکنیک‌های تقویت مدل شامل: آموزش خصمانه، مکانسیم توجه و بلوک باقی‌مانده استفاده شده است. این مدل‌ها با مدل‌های CNN،LSTM وCNN-LSTM مورد مقایسه قرار گرفته ‌اند. جهت دستیابی به این هدف، داده‌های10سهم از تاریخ20 شهریور 1392 تا تاریخ20 شهریور 1402 مورد بررسی قرارگرفته‌است.داده‌های ورودی شامل: قیمت‌های تعدیل‌شده سهم، اندیکاتور‌ها، اسیلاتور‌ها، قیمت دلارآزاد آمریکا و نرخ تورم می‌باشد. یافته‌ها: مقایسه نتایج معیارهای ارزیابی شامل چهار معیار RMSE، MAE، R-squared و MAPE نشان از عملکرد مطلوب دو مدل پیشنهادی با سایر مدلها میدهد. علاوه بر این، مدل پیشنهادی LSTM-CNN توانسته بهترین عملکرد را به ثبت رساند. همچنین، بررسی نتایج دو مدل پیشنهادی، با و بدون الگوریتم PSO مشخص کرد که این الگوریتم به بهینهسازی مدلها کمک میکند. در نهایت، بررسی استراتژیهای مبتنی بر مدل‌های پیشنهادی بر روی پنج سهم از پنج صنعت مختلف در چهار دوره زمانی نشان از عملکرد مالی برتر آن‌ها میدهد. به عبارت دیگر، مدل‌های پیشنهادیLSTM-CNN و CNN-LSTMتوانسته‌اند در معیار بازده مالی و نسبت شارپ در مقایسه با سایر استراتژیها موفقیت مطلوبی به‌دست آورند که مدل پیشنهادیLSTM-CNN مطلوبترین عملکرد را به ثبت رسانده است. نتیجه‌گیری: هایپرپارامترها، پارامترهایی هستند بر روی خروجی مدل‌ها تاثیر دارند و با تغییر هرکدام از این هایپارامترها نتایج مختلفی به‌دست‌ می‌آید که می‌تواند مناسب یا غیر مناسب باشند این پارامترها در طول آموزش یاد نمی‌گیرند و باید قبل از آموزش تنظیم شوند. طبق نتایج به‌دست‌ آمده، بهینه‌سازی هایپرپارامترها، می‌تواند سهم را بر اساس رفتار آن سهم بهینه کند که این امر منجر به پیش‌بینی دقیق‌تر قیمت می‌شود. همچنین، با استفاده از مدلLSTM-CNN استخراج ویژگی‌ها از داده‌ها و شناسایی و درک وابستگی‌ها در ویژگی‌های استخراج شده به طور مناسب‌تری از CNN-LSTM صورت می‌گیرد که می‌تواند در بهبود دقت پیش‌بینی کمک کند.

https://jfmp.sbu.ac.ir/article_104892_52d235868ce771d0661ab2f2197b4350.pdf