حسابداری، امور مالی و هوش محاسباتی 3092-7366 1 پیاپی ۲ 2024 07 11 Using Convolutional Neural Networks for Predicting Stock Market Returns: A Comparative Analysis استفاده از شبکه‌های عصبی پیچشی (CNN) برای پیش‌بینی بازده بازار سهام: یک تحلیل مقایسه‌ای 13 25 EN یاسمن کیانی دانشکده اقتصاد، دانشگاه اصفهان، اصفهان، ایران بهنام فرهادی دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران. Journal Article 2024 04 15 Predicting stock market returns is one of the fundamental challenges in finance and investment. Convolutional Neural Networks (CNNs), due to their high ability to identify complex patterns and nonlinear relationships, have gained attention as an efficient method for predicting financial data. With their multilayered structure, CNNs can analyze large and multidimensional datasets, outperforming traditional models in forecasting stock market fluctuations. This study aims to evaluate and compare the performance of Convolutional Neural Networks (CNNs) with other artificial intelligence models and traditional methods in predicting stock market returns. This study employs a literature review and descriptive analysis approach. Financial data, including stock prices, trading volumes, and economic indicators, were analyzed, and the results of CNNs were compared with other predictive models such as linear regression, Support Vector Machines (SVM), and ARIMA models. The results indicate that CNNs provide higher accuracy in predicting stock market returns compared to traditional methods, effectively identifying hidden and complex patterns in the data. CNNs, due to their multilayered structure, offer more precise results in unstable and volatile environments. However, challenges such as the need for large datasets and substantial computational resources were also noted in using this method. CNNs, as a powerful deep learning model, can improve the accuracy of financial forecasts, but optimization is needed in scenarios with limited data and computational resources. 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.

https://jafci.com/index.php/jafci/article/download/9/8