عباس افلاطونی

پیش‌بینی نوسانات شاخص کل بورس اوراق بهادار تهران به دلیل اهمیت آن در تصمیم‌گیری‌های مالی و سرمایه‌گذاری، از اهمیت بالایی برخوردار است. در این پژوهش از داده‌های ماهانۀ سپتامبر ۲۰۱۱ تا دسامبر ۲۰۲۴ (160 ماه) استفاده شده است. ۱۲۸ مشاهده نخست برای آموزش مدل ترکیبی تجزیه موجک (WD) و شبکه عصبی بازگشتی حافظه کوتاه‌مدت طولانی (LSTM) مورد استفاده قرار گرفته و در پیش‌بینی درون‌نمونه‌ای، همان ۱۲۸ مشاهده پیش‌بینی شدند و در پیش‌بینی برون‌نمونه‌ای، مدل با ۱۲۸ مشاهده اول آموزش داده شده و ۳۲ مشاهده بعدی پیش‌بینی شدند. نتایج نشان می‌دهد که ترکیب دو ابزار WD و LSTM خطای پیش‌بینی درون‌نمونه‌ای را حدود 3/98 درصد و خطای پیش‌بینی برون‌نمونه‌ای را حدود 9/97 درصد کاهش داده است. در پیش‌بینی درون‌نمونه‌ای ضریب تعیین از 57/35 درصد به 98/99 درصد (حدود 8/2 برابر) و در پیش‌بینی برون‌نمونه‌ای از 57/22 درصد به 97/99 درصد (بیش از 4/4 برابر) افزایش یافته است. این نتایج بر دقت بالای مدل پیشنهادی ترکیبی WD-LSTM در پیش‌بینی نوسان‌های شاخص کل بورس اوراق بهادار تهران تأکید می‌کند. نتایج پژوهش می‌تواند به عنوان یک چارچوب مؤثر برای تحلیل و پیش‌بینی داده‌های مالی به‌کار گرفته شود و ابزارهای جدیدی برای تحلیل‌گران مالی و سرمایه‌گذاران فراهم آورد.