از دیرباز، هدف اصلی انسان‌ها کسب آسایش و ساده‌تر ساختن زندگی بوده است. نکته غالب در جامعه این است که ثروت با خود راحتی و قدرت می‌آورد پس عجیب نخواهد بود که تلاش‌های زیادی برای پیش‌بینی بازارهای سرمایه انجام شود. لذا تخمین ارزش سهام در بازارهای مالی و پیش‌بینی و مدل‌سازی بورس یکی از بزرگ‌ترین چالش‌های پیش روی محققان هوش مصنوعی است. اندیکاتورهای تکنیکال، فاندامنتال با عملکردها و نتایج مختلفی مطرح و استفاده‌شده‌اند. بااین‌حال، هیچ‌کدام از این‌ها یا ترکیبی از این‌ها در عمل به قدر کافی موفق نبوده‌اند. ساختار و طبیعت بازار سهام، پیچیده، غیرخطی و نوسانی است. با توسعه شبکه‌های عصبی، محققان و سرمایه‌گذاران امیدوارند که رازهای بازار آشکار شود و پیش‌بینی و مدل‌سازی بورس به‌صورت دقیق‌تری امکان‌پذیر گردد. ازاین‌رو هدف تحقیقات پیش‌بینی، بسیار فراتر از قابلیت‌های مدل‌سازی آماری ساده و یا سیستم هوش مصنوعی است که عمدتاً بر توسعه سیستم‌های هوشمندی کارکردی سیستم‌های خودکار ساخته‌شده‌اند.
شبکه‌های عصبی مصنوعی که از فعالیت سلول‌های مغزی الهام گرفته‌اند، قادرند الگوهای داده‌ها را یاد گرفته و به اطلاعات خودشان تعمیم داده تا الگوهای آتی جدید را تشخیص دهند. محققان شبکه‌های عصبی نشان داده‌اند که شبکه‌های عصبی قابلیت بسیار گسترده‌ای در تشخیص الگوها و مسائل یادگیری ماشین ازجمله طبقه‌بندی دارند. امروزه شبکه‌های عصبی به‌عنوان روش متداول داده‌کاوی در زمینه‌های مختلف همچون اقتصاد، کسب‌وکار، صنعت و علوم گوناگون به کار می‌روند.
چرا شبکه‌های عصبی را برای پیش‌بینی و پردازش بورش انتخاب می‌کنیم؟
به خاطر برخی ویژگی‌های اختصاصی شبکه‌های عصبی، کاربرد این شبکه‌ها در مسائل مربوط به پیش‌بینی بسیار امیدوارکننده است. این ویژگی‌ها عبارت‌اند از:
اول: روش‌های سنتی همانند رگرسیون خطی و رگرسیون لجستیک بر مبنای مدل هستند، درحالی‌که شبکه‌های عصبی بر متدهای خودتنظیم یادگیری داده مبتنی‌اند، درنتیجه قادرند با اطلاعات کمی در مورد مدل و نیز بدون مقید کردن مدل با افزودن فرضیات اضافی، مسائل را حل کنند. علاوه بر این، شبکه‌های عصبی می‌توانند ارتباط میان ورودی و خروجی سیستم را پیدا کنند، هرچند که این ارتباط بسیار پیچیده باشد چراکه آن‌ها عملکرد کلی را پیش‌بینی می‌کنند. درنتیجه، شبکه‌های عصبی برای مسائلی که استخراج رابطه میان داده‌ها بسیار سخت بوده و از سوی دیگر مقادیر کافی داده برای یادگیری وجود دارد، بسیار مناسب است. باید اشاره کنیم که گرچه گاهی مواقع ممکن است قوانین یا الگوهایی که به دنبالشان هستیم، به‌سادگی یافت نشوند یا داده‌ها در فرآیندهای سیستمی از بین بروند؛ اما همچنان بر این باوریم که روش‌های مبتنی بر داده یا یادگیری القایی بهترین راه برای رویارویی با مسائل تخمین و پیش‌بینی است.
دوم: شبکه‌های عصبی قابلیت تعمیم دهی دارند بدین معنی که پس از آموزش می‌توانند الگوهای جدید را، حتی اگر در آموزش‌ها نبوده باشند، تشخیص دهند. ازآنجاکه در بسیاری از مسائل تشخیص الگو، پیش‌بینی رویدادهای آینده مبتنی بر داده‌های قبلی است، استفاده از شبکه‌های عصبی بسیار مفید خواهد بود.
سوم: شبکه‌های عصبی مدعی پیش‌بینی عملکرد کلی هستند. ثابت شده است که شبکه‌های عصبی پرسپترون چندلایه یا همان MLP می‌تواند هر تابع پیوسته پیچیده‌ای را تقریب بزند و این ویژگی ما را قادر می‌سازد تا هر رابطه پیچیده‌ای بین ورودی و خروجی سیستم را بفهمیم.
تاریخچه
ایده استفاده از شبکه‌های عصبی برای تخمین مسائل اولین بار در سال 1964 برای پیش‌بینی وضع هوا استفاده شد. نبود هرگونه متد آموزشی برای شبکه‌های چندلایه‌ای، کاربرد این شبکه‌ها برای مسائل پیش‌بینی پیچیده را غیرممکن می‌ساخت؛ اما در دهه 1980 الگوریتم تکثیر به عقب برای آموزش شبکه عصبی MLP معرفی شد.
در دهه اخیر تحقیقات بسیاری بر شبکه‌های عصبی و پیش‌بینی و مدل‌سازی بورس و بازار سهام انجام شده است. یکی از اولین تلاش‌ها توسط Kimmoto و همکارش بود که سعی داشتند با استفاده از شبکه‌های عصبی، شاخص بازار سهام توکیو را پیش‌بینی کنند. در تحقیقی دیگر، روشی که توسط Mizuno و همکارانش به کار رفت، 63% در تخمین بازار سهام توکیو دقت داشت. همچنین Phau و همکارانش توانستند با ترکیب شبکه‌های عصبی و الگوریتم‌های ژنتیک، با دقت 81% بازار سهام سنگاپور را پیش‌بینی کنند.
شبکه‌های عصبی به زبان دقیق‌تر
ایده شبکه‌های عصبی اولین بار با الهام از دستگاه عصبی بدن انسان شکل گرفت که شامل تعدادی واحد پردازش ساده است که نورون نام دارند. هر نورون سیگنال‌هایی از طرف محیط خارج یا از سمت دیگر نورون‌ها دریافت می‌کند و سپس با پردازش آن سیگنال‌ها در تابع فعال‌سازی، خروجی را ساخته و به نورون دیگر ارسال می‌کند.
یکی از متدهای یادگیری ماشین در شبکه‌های عصبی پرسپترون چندلایه یا همان MLP روش پس انتشار خطا است که در این متد شبکه الگوی داده‌ها را یاد می‌گیرد و وزن اتصالات را در جهت معکوس بردار گرادیان تابع خطا تنظیم می‌کند.
پیش‌بینی ارزش سهام با شبکه‌های عصبی
در تحقیقی در مورد پردازش بورس با شبکه‌های عصبی، از مدل شبکه‌های عصبی برای پیش‌بینی ارزش سهام در روز آینده با استفاده از اطلاعات ارزش همان سهام در روز قبل استفاده شده است. به این منظور دو شبکه عصبی معروف و متفاوت برای این مسئله اعمال شدند. نتایج به‌دست‌آمده نشان دادند که برای پیش‌بینی جهت تغییرات ارزش سهام در روز آینده هیچ‌یک از این مدل‌ها بهتر از مدل ساده رگرسیون خطی عمل نکردند. اما خطای پیش‌بینی میزان تغییر ارزش سهام با استفاده از شبکه‌های عصبی پرسپترون چندلایه کمتر از هر دو روش شبکه Elman و نیز رگرسیون گزارش شده است. [1]
برای مطالعه تأثیر ویژگی‌های بازار بر قیمت سهام، الگوریتم‌های سنتی شبکه‌های عصبی ممکن است که بازار سهام را غلط پیش‌بینی کنند، لذا وزن اولیه مسئله انتخاب تصادفی می‌تواند به‌سادگی باعث تخمین‌های غلط بشود. تحقیق جدیدی در مورد پردازش بورس با شبکه‌های عصبی انجام شده که محققان در آن بر مبنای پیشرفت word vector یا بردار لغت، مفهوم بردار سهام یا stock vector را ساخته‌اند. این ورودی دیگر یک شاخص منفرد یا شاخص سهام منفرد نیست بلکه داده تاریخی با ابعاد بالا و چند سهامی است. پیشنهاد محققان شبکه عصبی حافظه طولانی کوتاه‌مدت LSTM با لایه تعبیه‌شده و حافظه طولانی کوتاه‌مدت با اتوانکدر برای پیش‌بینی بازار سهام است. نتایج تجربی این دو مدل نشان دادند که LSTM عمیق با لایه تعبیه‌شده، عملکرد بهتری دارد. به‌صورت خاص، دقت دو مدل مذکور برای شاخص ترکیبی Shanghai A-Shares بسیار مناسب عمل کرده است. همچنین برای سهام‌های تکی این عدد با دقت کمتری گزارش شده است. [2]
همچنین در تحقیق دیگری به بررسی تأثیر شبکه‌های عصبی بر سیستم‌های مالی پرداخته شده است و نشان داده که چگونه شبکه‌های عصبی برای آزمایش فرضیه بازار کارا Effective Market Hypothesis استفاده شده و چگونه در پیش‌بینی قیمت سهام، عملکرد بهتری نسبت به تکنیک‌های رگرسیون و آماری از خود نشان داده‌اند[3].
گرچه شبکه‌های عصبی تخمین و پیش‌بینی‌های صد در صد دقیقی ارائه نمی‌دهند اما نسبت به همه دیگر مدل‌های موجود عملکرد بهتری دارند و امیدوار کننده ترین راه حل موجود است. همچنین این نوید را می دهد که بتوانیم به‌طور کامل سیستم‌های دینامیک و بی‌نظم و پر نوسانی همچون بازار بورس و سهام را درک کنیم. با در نظر گرفتن این مسئله می‌توان به استفاده از شبکه‌های عصبی برای پیش‌بینی و مدل‌سازی بورس و بازار سهام نگاه جدی‌تر و دقیق‌تری داشت.
[1]. Kumar Chandar, S. Grey Wolf optimization-Elman neural network model for stock price prediction. Soft Comput (2020).
[2]. Pang, X., Zhou, Y., Wang, P. et al. An innovative neural network approach for stock market prediction. J Supercomput 76, 2098–2118 (2020).
[3]. Chung, H., Shin, K. Genetic algorithm-optimized multi-channel convolutional neural network for stock market prediction. Neural Comput & Applic 32, 7897–7914 (2020).