{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q181",
        "title": "پیش‌بینی بازارهای مالی با استفاده از یادگیری عمیق",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1400",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q181",
        "title": "پیش‌بینی بازارهای مالی با استفاده از یادگیری عمیق",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1400,
        "authors": [
            {
                "name": "علی‌محمد سیاهکارزاده",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "مرتضی زاهدی",
                "role": "استاد راهنما"
            },
            {
                "name": "محسن رضوانی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "یادگیری عمیق",
            "سری‌زمانی",
            "بازارهای مالی",
            "CNN",
            "LSTM",
            "سیستم پیش‌بینی بازار مالی",
            "تحلیل سری‌زمانی"
        ],
        "abstract": "مدل سازی و پیش‌بینی قیمت انواع سهام در بازارهای مالی به‌دلیل اهمیت بالا و تاثیر بسیار زیاد بر رشد اقتصادی کشورها و سازمان‌ها، از اهداف چالش برانگیز محققان، شرکت‌های سرمایه‌گذاری و بانک‌ها می‌باشد. با رشد در هوش مصنوعی و بویژه یادگیری عمیق، می‌توان وظیفه یادگیری ویژگی را به‌طور موثرتری از طریق شبکه‌های طراحی شده برای این اهداف انجام داد. در این پایان‌نامه، یک مدل از شبکه‌های عصبی با استفاده از معماری‌های CNN و LSTM و با الهام از شبکه عصبی چند فیلتری (MFNN) ارائه داده‌ایم که تفاوت عمده آن با سایر مدل‌های ارائه شده توانایی پیش‌بینی در قالب‌های زمانی کوتاه مدت می‌باشد و همچنین با بررسی روش‌های مختلف برای استخراج و تولید ویژگی، یک روش جدید، به‌طور خاص برای استخراج ویژگی در نمونه‌های سری‌زمانی مالی و پیش‌بینی روند قیمت پیشنهاد می‌کنیم. در این روش از ترکیب انواع شاخص‎‌ها، استراتژی‌های جدیدی تولید می‌شود که از آن در تولید ویژگی استفاده کرده‌ایم، با مقایسه دادگان پیشنهادی با سایر دادگان در شرایط یکسان شاهد افزایش دقت پیش‌بینی حداقل 1.8% و حداکثر 6% بودیم. در ادامه با معرفی روشی جدید در هدف گذاری داده‌های مالی و مقایسه با سایر روش‌ها، مراحل پیش‌پردازش بر روی دادگان سری زمانی مالی را به اتمام می‌رسانیم. بعد از مقایسه روش‌های برچسب‌گذاری شاهد افزایش دقت حداقل 1.25 و حداکثر 5 درصدی هستیم. همچنین در ادامه در مدل ارائه شده از ترکیب هر دو معماری شبکه عصبی CNN و LSTM استفاده شده است. ما روش خود را برای پیش‌بینی مهمترین و پر حجم‌ترین بازارمالی دنیا یعنی بازار تبادل ارزهای خارجی اعمال می‌کنیم. مدل پیشنهادی دقت 78.42% را ارائه می‌دهد که نست به بهترین عملکرد در مدلهای معرفی شده رشد 3 درصدی دارد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q181.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}