چکیده: پژوهش حاضر با هدف پیش‌بینی نوسانات بازار سهام عراق با استفاده از روش‌های یادگیری عمیق انجام شده است.اهمیت این موضوع از آن جهت است که بازار سهام عراق به‌عنوان یکی از بازارهای نوظهور منطقه، تحت تأثیر مستقیم متغیرهای کلان اقتصادی مانند قیمت نفت، نرخ ارز و حجم نقدینگی قرار دارد و رفتار آن به‌طور قابل توجهی غیرخطی و وابسته به زمان است.در این مطالعه، از سه مدل اصلی یادگیری عمیق شامل شبکه حافظه بلندمدت کوتاه‌مدت (LSTM)، واحد بازگشتی دروازه‌دار (GRU) و مدل ترکیبی CNN-LSTM برای پیش‌بینی نوسان بازار استفاده شده است. داده‌های پژوهش به‌صورت سری زمانی و با استفاده از روش پنجره لغزان پردازش شده‌اند؛ به‌طوری‌که هر مشاهده بر اساس ۳۰ روز گذشته بازار ساخته شده و هدف، پیش‌بینی نوسان روز بعد بوده است.همچنین داده‌ها ابتدا نرمال‌سازی شده و سپس به دو بخش آموزش و آزمون تقسیم شده‌اند تا عملکرد مدل‌ها به‌صورت دقیق ارزیابی شود. نتایج حاصل از شبیه‌سازی نشان می‌دهد که هر سه مدل توانایی مناسبی در شناسایی الگوهای نوسانی بازار دارند، اما مدل ترکیبی CNN-LSTM با عملکرد بالاتر نسبت به سایر مدل‌ها، دقت بیشتری در پیش‌بینی تغییرات شدید بازار ارائه کرده است.این موضوع بیانگر آن است که ترکیب استخراج ویژگی‌های محلی و وابستگی‌های زمانی می‌تواند ساختار پیچیده داده‌های مالی را بهتر مدل‌سازی کند.همچنین یافته‌ها نشان می‌دهد که متغیرهای کلان اقتصادی نقش تعیین‌کننده‌ای در نوسانات بازار سهام عراق دارند و رفتار بازار به‌شدت تحت تأثیر شرایط اقتصادی وابسته به نفت و نوسانات ارزی است.در مجموع، نتایج پژوهش بیانگر آن است که استفاده از روش‌های یادگیری عمیق می‌تواند ابزار کارآمدی برای تحلیل و پیش‌بینی رفتار بازارهای مالی نوظهور باشد و دقت تصمیم‌گیری در حوزه سرمایه‌گذاری را به‌طور قابل توجهی افزایش دهد.