استفاده از شبکه‌های عصبی پیچشی (CNN) برای پیش‌بینی بازده بازار سهام: یک تحلیل مقایسه‌ای

چکیده

پیش‌بینی بازده بازار سهام یکی از چالش‌های اساسی در حوزه مالی و سرمایه‌گذاری است. شبکه‌های عصبی پیچشی (CNN) به دلیل توانایی بالا در شناسایی الگوهای پیچیده و روابط غیرخطی، به عنوان یکی از روش‌های کارآمد در پیش‌بینی داده‌های مالی مورد توجه قرار گرفته‌اند. این روش با بهره‌گیری از ساختار چندلایه‌ای خود قادر به تحلیل داده‌های حجیم و چندبعدی است که در مقایسه با مدل‌های سنتی، عملکرد بهتری در پیش‌بینی نوسانات بازار سهام دارد. هدف این پژوهش بررسی و مقایسه عملکرد شبکه‌های عصبی پیچشی (CNN) با سایر مدل‌های هوش مصنوعی و روش‌های سنتی در پیش‌بینی بازده بازار سهام بود. این مقاله به روش مرور ادبیات و تحلیل توصیفی انجام شده است. برای ارزیابی عملکرد CNN، داده‌های مالی مختلف شامل قیمت سهام، حجم معاملات و شاخص‌های اقتصادی مورد بررسی قرار گرفته و نتایج حاصل از این روش با سایر مدل‌های پیش‌بینی مانند رگرسیون خطی، ماشین بردار پشتیبان (SVM) و مدل‌های ARIMA مقایسه شده است. نتایج نشان داد که CNN در مقایسه با روش‌های سنتی، دقت بالاتری در پیش‌بینی بازده بازار سهام داشته و توانایی شناسایی الگوهای پیچیده و پنهان در داده‌ها را دارد. این مدل به دلیل ساختار چندلایه‌ای خود قادر به ارائه نتایج دقیق‌تری در محیط‌های ناپایدار و پرنوسان است. با این حال، چالش‌هایی مانند نیاز به داده‌های حجیم و منابع محاسباتی بالا نیز در استفاده از این روش وجود دارد. CNN به عنوان یکی از مدل‌های قدرتمند یادگیری عمیق، می‌تواند به بهبود دقت پیش‌بینی‌های مالی کمک کند، اما نیاز به بهینه‌سازی در شرایط محدودیت داده و منابع محاسباتی دارد.