Modeling and Forecasting Stock Market Volatility Using Recurrent Deep Learning Architectures: Evidence from RNN, LSTM, and GRU Models

پیش‌بینی نوسانات بازار سهام یکی از چالش‌های اساسی در اقتصاد مالی است که نقش مهمی در مدیریت ریسک، طراحی استراتژی‌های سرمایه‌گذاری و اتخاذ تصمیمات سیاست‌گذاری دارد. با وجود موفقیت روش‌های کلاسیک اقتصادسنجی مانند ARCH و GARCH در مدل‌سازی خوشه‌بندی نوسانات، این روش‌ها در مواجهه با وابستگی‌های بلندمدت و رفتارهای غیرخطی داده‌های مالی محدودیت‌هایی نشان می‌دهند. در سال‌های اخیر، توسعه فناوری‌های یادگیری عمیق و به‌ویژه معماری‌های بازگشتی نظیر RNN، LSTM و GRU، امکان استخراج الگوهای پیچیده و ویژگی‌های پنهان سری‌های زمانی مالی را فراهم ساخته است. هدف پژوهش حاضر، بررسی و مقایسه عملکرد این سه مدل در پیش‌بینی نوسانات بازار سهام ایران و ارزیابی دقت، پایداری و قابلیت تبیین‌پذیری آن‌ها می باشد. داده‌های مورد استفاده شامل بازه زمانی 1394 تا 1403 از معاملات بورس تهران می‌باشد و ارزیابی عملکرد مدل‌ها بر اساس شاخص‌های آماری (MSE، RMSE، MAE) و معیارهای مالی (نسبت شارپ و دقت جهت حرکت بازار) انجام شد. نتایج نشان داد که مدل LSTM با ضریب تعیین 0.97 بالاترین دقت و پایداری را ارائه می‌دهد، مدل GRU با ضریب تعیین 0.948 عملکردی نزدیک به LSTM و سرعت همگرایی بالاتر دارد، و مدل RNN پایه با ضریب تعیین 0.89 محدودیت‌هایی در پیش‌بینی نوسانات بلندمدت دارد. یافته‌ها تأیید می‌کنند که معماری‌های بازگشتی پیشرفته می‌توانند ابزارهای مؤثری برای توسعه سامانه‌های پیش‌بینی مالی و مدیریت ریسک باشند. همچنین، پیشنهاد می‌شود در پژوهش‌های آتی، مدل‌های هیبرید، داده‌های چندمنبعی و چارچوب‌های یادگیری آنلاین به‌منظور بهبود دقت و تعمیم‌پذیری پیش‌بینی‌ها مورد استفاده قرار گیرند.