پیش بینی قیمت سهام بر اساس شبکه عصبی LM-BP و برآورد نقطه بیش از حد توسط شمارش فواصل زمانی: شواهدی از بورس اوراق بهادار

محورهای موضوعی : مهندسی مالی

محمدرضا وطن پرست ¹ (استادیار گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.)
مسعود اسدی ² (دانشجوی دکتری مهندسی مالی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.)
شعبان محمدی ³ (کارشناسی ارشد حسابداری، دانشکده شهید رجایی، دانشگاه فنی و حرفه ای استان خراسان، ایران)
عباس بابایی ⁴ (دانشجوی دکتری مهندسی مالی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران)

تاریخ دریافت : 1397/08/27 تاریخ پذیرش : 1397/10/05 تاریخ انتشار : 1398/04/01

کلید واژه: پیش بینی قیمت سهام, شبکه عصبی LM-BP, شمارش فواصل زمانی,

چکیده مقاله :

در این پژوهش برای تعیین روش پیش بینی قیمت سهام، یک شبکه عصبی LM-BP بر اساس سری های زمانی با توجه به قیمت باز، بالاترین قیمت، پایین ترین قیمت، قیمت بسته و حجم معاملات ارائه شد. در پژوهش حاضر، 315 روز قیمت سهام را برای ایجاد 10 نمونه انتخاب و مجموعه آزمون شامل قیمت سهام از روز 316 تا روز 320 را انتخاب و از شبکه عصبی LM-BP استفاده شده است. در این پژوهش، تعیین نقطه بحرانی بیش از حد، عدم تقارن و شمارش فواصل زمانی بررسی شد. منحنی MRE2-MRE1 رسم شده و دقت مربوط به بهترین پیش بینی شبکه عصبی BP بر اساس چند تکرار مستقل برآورد شد. پس آزمون نیز به روش آزمون کوپیک و آزمون کریستوفرسون انجام شد. نتایج نشان داد که پیش بینی قیمت سهام بر اساس شبکه عصبی LM-BP و برآورد نقطه بیش از حد توسط شمارش فواصل زمانی، نتایج بهتری نسبت به روش های موجود ارائه می دهد.

چکیده انگلیسی:

In this study, to determine the stock price forecasting method, a LM-BP neural network was presented based on time series with respect to open price, highest price, lowest price, package price and volume of transactions. In the present study 315 days of stock prices were chosen to create 10 samples and the test set includes stock prices from day 316 to day 320 and used the LM-BP neural network. In this research, the determination of the critical point of excess, asymmetry and counting of intervals were investigated. The curve MRE2-MRE1 was plotted and the precision related to the best prediction of the BP neural network was estimated based on several independent replicas. The post-test was performed using a Kupiec Test and a Christopherson test. The results showed that stock price prediction based on the LM-BP neural network and over-point estimation by counting the intervals resulted in better results than the existing methods.