انجمن اقتصاد کشاورزی ایران Agricultural Economics 2008-5524 20 2 2026 06 22 Applied Machine Learning to Food Industry Index Effectiveness Analysis: A Long Short-Term Memory (LSTM) Neural Network Approach به‌کارگیری یادگیری ماشین در تحلیل اثرپذیری شاخص صنایع غذایی: شبکه عصبی حافظه طولانی کوتاه‌مدت (LSTM) 730003 10.22034/iaes.2025.2058957.2124 FA معصومه محمد نسب چمازی دانش‌آموخته‌ کارشناسی ارشد، گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران 0009-0007-7469-6396 فؤاد عشقی گروه اقتصاد کشاورزی- دانشگاه علوم کشاورزی و منابع طبیعی ساری 0000-0002-5763-1917 سید مجتبی مجاوریان استاد، گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران 0000-0003-4821-1539 سیده سمیرا کمال موسوی دانشجوی دکتری، گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران 0009-0005-5134-1248 Journal Article 2025 04 26 This research was conducted with the aim of analyzing the impact of selected Iranian financial markets - including the total stock market index, exchange rate, and gold coin price - on the food industry index, using a Long Short-Term Memory (LSTM) neural network model. The food industry, as one of the pillars of the country's economy, is strongly affected by macroeconomic and financial developments, and studying its dynamics can help identify inter-market structures and volatility transmission mechanisms.<br><br>For this purpose, time series data from March 2017 to February 2024 were used for modeling. The LSTM model, with its ability to identify nonlinear patterns and complex temporal dependencies, was employed to simultaneously predict both the level and volatility of the examined variables.<br><br>The results showed that the food industry index has the highest correlation with the total stock market index, while its relationship with the exchange rate and gold coin price - particularly at price levels - is weaker. At the volatility level, correlations between markets increase, indicating the importance of short-term shocks in market behavior.<br><br>Evaluation of the LSTM model based on statistical error indicators such as MSE and MAE showed that the model is capable of accurately reproducing the behavior of variables and has appropriate stability. Furthermore, the significant difference between price-level correlations and volatility correlations highlights the necessity of simultaneous analysis of these two dimensions in financial market studies.<br><br>The findings of this research provide a comprehensive picture of the dynamic structure of inter-market interactions and demonstrate the high efficiency of LSTM in predictive analysis of financial time series. این پژوهش باهدف تحلیل اثرپذیری شاخص صنایع غذایی از بازارهای مالی منتخب ایران شامل شاخص کل بورس، نرخ ارز و قیمت سکه، با بهره‌گیری از مدل شبکه عصبی حافظه بلندمدت کوتاه‌مدت (LSTM) انجام شده است. صنایع غذایی، به‌عنوان یکی از ارکان اقتصاد کشور، به‌شدت تحت‌تأثیر تحولات کلان اقتصادی و مالی قرار دارد و بررسی پویایی آن می‌تواند به شناسایی ساختارهای میان بازاری و نحوه سرایت نوسانات کمک کند. در این راستا، داده‌های سری زمانی مربوط به دوره فروردین ۱۳۹۶ تا اسفند ۱۴۰۲ برای مدل‌سازی مورد استفاده قرار گرفت. مدل LSTM با توانایی شناسایی الگوهای غیرخطی و وابستگی‌های زمانی پیچیده، در پیش‌بینی هم‌زمان سطح و نوسانات متغیرهای مورد بررسی به کار گرفته شد. نتایج نشان داد که شاخص صنایع غذایی بیشترین همبستگی را با شاخص کل بورس دارد و ارتباط آن با نرخ ارز و قیمت سکه، به‌ویژه در سطح قیمت‌ها، ضعیف‌تر است. در سطح نوسانات نیز همبستگی‌ها میان بازارها افزایش می‌یابد که بیانگر اهمیت شوک‌های کوتاه‌مدت در رفتار بازارهاست. ارزیابی مدل LSTM بر اساس شاخص‌های خطای آماری مانند MSE و MAE نشان داد که این مدل قادر به بازتولید دقیق رفتار متغیرهاست و از پایداری مناسبی برخوردار است. همچنین، تفاوت معنادار میان همبستگی‌های سطح قیمت و نوسانات، لزوم تحلیل هم‌زمان این دو بُعد را در مطالعات بازارهای مالی برجسته می‌سازد. یافته‌های این پژوهش تصویری جامع از ساختار پویای اثرگذاری متقابل بازارها ارائه می‌دهد و کارایی بالای LSTM را در تحلیل پیش‌بینانه سری‌های مالی نشان می‌دهد.