ررسی تأثیر مدل‌های پیش‌بینی مالی مبتنی بر یادگیری عمیق بر دقت تحلیل سودآوری شرکت‌ها

چکیده

مدل‌های پیش‌بینی مالی مبتنی بر یادگیری عمیق به طور فزاینده‌ای در تحلیل سودآوری شرکت‌ها مورد استفاده قرار گرفته‌اند. این پژوهش به بررسی تأثیر این مدل‌ها بر دقت پیش‌بینی سودآوری شرکت‌ها در مقایسه با روش‌های سنتی می‌پردازد. در این راستا، داده‌های مالی ۶۰ شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی دوره ۲۰۱۵ تا ۲۰۲۴ جمع‌آوری و از مدل‌های یادگیری عمیق شامل شبکه‌های عصبی پیچشی (CNN)، شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM) و مدل‌های تقویتی (Gradient Boosting) برای تحلیل داده‌ها استفاده شده است. نتایج نشان داد که مدل‌های یادگیری عمیق نسبت به روش‌های سنتی مانند مدل‌های رگرسیونی و سری‌های زمانی دارای دقت بالاتری در پیش‌بینی سودآوری هستند. همچنین، ترکیب مدل‌های یادگیری عمیق با تکنیک‌های کاهش ابعاد داده باعث بهبود عملکرد مدل‌ها شده است. با این حال، چالش‌هایی مانند پیچیدگی محاسباتی، نیاز به داده‌های حجیم و هزینه‌های پردازشی بالا از جمله موانع اصلی پیاده‌سازی این مدل‌ها در محیط‌های مالی هستند. این مطالعه پیشنهادهایی برای استفاده بهینه از یادگیری عمیق در پیش‌بینی سودآوری ارائه می‌دهد.