مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 4 2026 3 23 A Hybrid Method for Stock Price Prediction in the Iranian Stock Market Using Optimized Deep Learning روشی ترکیبی جهت پیش‌بینی قیمت سهام در بازار بورس ایران با بهره گیری از یادگیری عمیق بهینه شده 257 266 fa محسن مهدوی اصل دانشكده مهندسي كامپيوتر، دانشگاه آزاد اسلامی واحد اهواز مارال کلاه کج Islamic Azad University 2025 4 15 <p style="direction: ltr;">Accurate stock price prediction has consistently been one of the fundamental challenges in financial markets, and the development of intelligent models can play a significant role in supporting investors’ decision-making processes. In this study, a hybrid deep learning–based framework is proposed for stock price prediction in the Iranian capital market. The proposed approach employs a Convolutional Neural Network (CNN) as the core learning architecture and integrates the Harris Hawks Optimization (HHO) algorithm as a metaheuristic strategy to optimize the model’s weights and parameters. The primary objective of this integration is to enhance prediction accuracy while reducing computational complexity through automatic feature extraction within the intermediate layers of the network. The dataset used in this research consists of daily stock information of Bahman Khodro Company from 18/01/1380 to 23/12/1399 (Persian calendar), including variables such as the number of transactions, trading volume, trading value, and prices (previous, opening, closing, final, lowest, and highest). Simulation results demonstrate that the proposed CNN-HHO model outperforms conventional neural network–based and metaheuristic-based methods, achieving a significantly lower Mean Squared Error (MSE). Overall, the findings indicate that the integration of CNN with the HHO algorithm can serve as an intelligent, accurate, and efficient approach for financial time-series forecasting, providing an effective tool for more informed decision-making in the stock market.</p> <p>پیش&zwnj;بینی دقیق قیمت سهام همواره یکی از چالش&zwnj;های اساسی در بازارهای مالی بوده است و توسعه&zwnj;ی مدل&zwnj;های هوشمند می&zwnj;تواند نقش مؤثری در تصمیم&zwnj;گیری سرمایه&zwnj;گذاران ایفا کند. در این پژوهش، یک چارچوب ترکیبی مبتنی بر یادگیری عمیق برای پیش&zwnj;بینی قیمت سهام در بازار سرمایه ایران ارائه شده است. روش پیشنهادی از شبکه عصبی کانولوشنی به&zwnj;عنوان هسته&zwnj;ی اصلی یادگیری و از الگوریتم فراابتکاری شاهین هریس برای بهینه&zwnj;سازی وزن&zwnj;ها و پارامترهای مدل بهره می&zwnj;گیرد. هدف از این ترکیب، افزایش دقت پیش&zwnj;بینی و کاهش پیچیدگی محاسباتی از طریق یادگیری خودکار ویژگی&zwnj;ها در لایه&zwnj;های میانی شبکه است. داده&zwnj;های مورداستفاده شامل اطلاعات روزانه&zwnj;ی سهام شرکت بهمن خودرو از تاریخ ۱۸/۰۱/۱۳۸۰ تا ۲۳/۱۲/۱۳۹۹ بوده و متغیرهایی مانند تعداد تراکنش&zwnj;ها، حجم معاملات، ارزش، و قیمت&zwnj;های دیروز، اولین، آخرین، پایانی، کمترین و بیشترین را در بر می&zwnj;گیرد. نتایج شبیه&zwnj;سازی&zwnj;ها نشان می&zwnj;دهد که مدل پیشنهادیCNN-HHO  نسبت به روش&zwnj;های متداول مبتنی بر شبکه&zwnj;های عصبی و الگوریتم&zwnj;های فراابتکاری، عملکرد بهتری داشته و مقدار خطای MSE آن به طور محسوسی کمتر است. به&zwnj;طورکلی، نتایج این تحقیق نشان می&zwnj;دهد که ترکیب CNN  با الگوریتم HHO می&zwnj;تواند به&zwnj;عنوان یک رویکرد هوشمند، دقیق و کارا برای پیش&zwnj;بینی سری&zwnj;های زمانی مالی مورداستفاده قرار گیرد و راهکار مؤثری برای تصمیم&zwnj;گیری آگاهانه&zwnj;تر در بازار بورس فراهم سازد.</p>

http://ijece.org/en/Article/Download/49951