بهینه سازی بر روی شبکه ماشین یادگیری حداکثری (ELM) با استفاده از دو روش بهینهسازی ماشین یادگیری حداکثری پیدرپی(OSELM) و الگوریتم پرواز پرندگان( ازدحام ذرات (PSO)) برای پیشبینی شاخص صنعت در بورس اوراق بهادار تهران
محورهای موضوعی : مهندسی مالیبنیامین حکیم زاده 1 , احسان طیبی ثانی 2 , مهدی سعیدی کوشا 3
1 - گروه آموزشی مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران ، ایران
2 - گروه آموزشی مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران ، ایران
3 - گروه آموزشی مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران ، ایران
کلید واژه: particle swarm optimization, Neural network, Extreme learning machine, Industry Index, online sequential Extreme learning machine,
چکیده مقاله :
همواره برای پیشبینی در بازارهای مالی دو رویکرد سنتی و هوشمند وجود داشته که در روش سنتی این پیشبینی بر اساس مدلهای آماری و در روش هوشمند بر اساس مدلهای هوش مصنوعی است. روشهای سنتی عمدتاً از الگوهای خطی برای مدل کردن رفتار بازار استفاده میکنند در حالی که مزیت و برتری اصلی مدلهای هوشمند توانایی یادگیری و مدل کردن رفتارهای غیرخطی موجود در بازار است. همیشه این موضوع مطرح بوده است که کدام روشها میتوانند رفتار بازار را بهتر مدل کنند و با وجود مدلهای فراوانی که برای پیشبینی ارائهشده است کماکان تلاش برای ساخت مدلی که بتواند متغیرهای مؤثر بیشتری را برای پیشبینی مورد استفاده قرار دهد و بتواند فاکتورهایی مانند زمان، ریسک و بازده را هم در نظر بگیرد، ادامه دارد. هدف از این پژوهش ارائه مدلی برای پیشبینی شاخص صنعت در بورس اوراق بهادار تهران میباشد. این کار توسط شبکه عصبی ماشین یادگیری حداکثری و با استفاده از دو روش بهینهسازی ماشین یادگیری حداکثری پیدرپی و الگوریتم پرواز پرندگان صورت گرفته است. نتایج نشان میدهد که دقت پیشبینی دو روش از لحاظ آماری تفاوت معناداری با یکدیگر نداشته اما ازلحاظ مدتزمان اجرای الگوریتم شبکه عصبی با روش بهینهسازی ماشین یادگیری حداکثری پیدرپی عملکرد بهتری داشته است.
There have always been two approaches to forecasting in financial markets: traditional and intelligent approaches. In the traditional method, this forecasting is based on statistical models and in the intelligent method is based on artificial intelligence models. Traditional methods mainly use linear patterns to model market behavior, while the main advantage of smart models is the ability to learn and model nonlinear behaviors in the market. It has always been a question of which methods can better model market behavior, and despite the many models that have been proposed for forecasting, there is still an attempt to build a model that can use more effective variables for forecasting. Continues to be able to take into account factors such as time, risk and return. In this research, we have used the neural network to predict the industry index. This is done by ELM neural network using two optimization methods OSELM and PSO. The results show that the prediction accuracy of these two methods is not significantly different from each other, but in terms of execution time, the OSELM neural network algorithm has performed much better and faster.
_||_