پیش بینی بازار سهام به دلیل ماهیت پویا و غیرخطی داده های مالی، همواره از چالش های اساسی در حوزه مالی هوشمند محسوب می شود. در این پژوهش با هدف بهبود عملکرد مدل های یادگیری عمیق، تاثیر الگوریتم های بهینه ساز در فرایند آموزش مدل های پیش بینی بازار سهام بررسی شده است. داده های مربوط به شاخص کل بورس تهران طی سال های 1393تا 1402 از منابع رسمی گردآوری و پس از نرمال سازی، برای آموزش مدل های شبکه عصبی بازگشتی(RNN) و ساختارهای پیشرفته تر آن شامل GRU,LSTM و مدل های ترکیبی CNN-LSTM و CNN-GRU بکار گرفته شدند. در این پژوهش سه الگوریتم بهینه ساز RMSProp, Adam, SGD مورد استفاده قرار گرفت و عملکرد آن ها براساس معیارهای MSE, MAE مقایسه گردید. نتایج نشان داد که الگوریتم Adam با نرخ یادگیری تطبیقی خود، کمترین خطا و بیشترین پایداری را در اموزش مدل ها داشته است. یافته ها بیانگر آن است که انتخاب نوع الگوریتم بهینه ساز نقش تعیین کننده ای در دقت مدل های یادگیری عمیق دارد و توجه به آن می تواند در تصمیم گیری های مالی نقش موثری ایفا کند.