کاربرد الگوریتمهای مختلف یادگیری در پیشبینی قیمت سهام با استفاده از شبکه عصبی
محورهای موضوعی : مدیریترضا کیانی ماوی 1 , کامران صیادی نیک 2
1 - استادیار، دانشگاه آزاد اسلامی، واحد قزوین، گروه مدیریت، قزوین، ایران (عهده دار مکاتبات)
2 - کارشناس ارشد، دانشگاه آزاد اسلامی، واحد قزوین، گروه مدیریت بازرگانی، قزوین، ایران
کلید واژه: پیشبینی, شبکه عصبی, یادگیری شبکه عصبی, بازار بورس, پیشبینی قیمت سهام, شرکت ملی صنایع مس ایران,
چکیده مقاله :
پیشبینی قیمت سهام یکی از موضوعهای مهم مالی است، چرا که دادههای قیمت سهام دارای تغییر پذیری زیاد، پیچیدگی، دینامیک و آشوبگونه است،بنابراین ارتباط نامشخص بین قیمت سهام و عوامل مؤثر کاملا پویا است. بنابراین مسأله پیشبینی قیمت سهام تنها بوسیله یک برنامه کامپیوتری کاردشواری است.در این تحقیق، ابتدا بوسیله آزمون گردش، امکان پیشبینی قیمت سهام شرکت صنایع ملی مس ایران بررسی گردید. سپس رابطه همبستگی هشتبرای پیشبینی یک روز بعد قیمت سهام با الگوریتم یادگیری لونبرگ- MLP متغیر بنیادی و فنی مورد بررسی قرارگرفت. سپس از شبکهی عصبی0/ استاندارد آموزش داده شد که نرخ یادگیری 3 BP 6 با الگوریتم -5- یعنی 1 MLP مارکوارت استفاده شد. پس از آن ساختار بهینه شبکه عصبیاستاندارد به مینیممهای محلی محاسبه گردید و در آخر برای رهایی از BP بهترین عملکرد را داشته است و برای این نرخ یادگیری حساسیت الگوریتماستاندارد همراه با مومنتم استفاده شده است. نتایج بدست آمده نشان داد که پیشبینی بوسیله BP این حساسیت به مینیممهای محلی از الگوریتماستاندارد می باشد. BP استاندارد همراه با مومنتم بهتر از BP الگوریتم
Stock price prediction is a very important financial topic, and is considered a challenging task and worthy of the considerableattention received from both researchers and practitioners. Stock price series have properties of high volatility, complexity,dynamics and turbulence, thus the implicit relationship between the stock price and predictors is quite dynamic. Hence, it isdifficult to tackle the stock price prediction problems effectively by using only single soft computing technique.In this research, in the first step, the possibility of predicting stock price of National Iranian Copper Industries Company wasstudied. Then, for predicting of stock price after one day neural ¬network of MLP by learning algorithm of Levenberg-Marquardt were used. Then optimize structure of neural network was trained with the standard BP algorithm, the learningrate is 3/0 has the best performance. And for this learning rate, sensitive of standard BP algorithm was calculated to minimizelocal. At the end, standard BP algorithm with momentum is used. The results showed that predicting by standards BPalgorithm with momentum is better than the standard BP algorithm.