ارایه مدلی جهت پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از ANFIS و رگرسیون فازی

محورهای موضوعی : آمار

محمد حسین کشاورز ¹ (استادیار گروه مهندسی صنایع، واحد شیراز، دانشگاه آزاد اسلامی شیراز، شیراز، ایران)
محمدرضا فیلی ز اده ² (استادیار گروه مهندسی صنایع، واحد شیراز، دانشگاه آزاد اسلامی شیراز، شیراز، ایران)
ایاد هندالیانپور ³ (دانش آموخته کارشناسی ارشد دانشکده مهندسی صنایع، دانشگاه تهران، تهران، ایران)

تاریخ دریافت : 1397/11/14 تاریخ پذیرش : 1398/04/24 تاریخ انتشار : 1399/06/01

کلید واژه: Fuzzy Regression, ANFIS, Predicting, Tehran Stock Exchange Index,

چکیده مقاله :

این پژوهش، با هدف ارائه یک مدل پیش‌بینی شاخص کل بورس اوراق بهادار تهران با سیستم استنتاج فازی‌عصبی‌تطبیقی (ANFIS) و رگرسیون‌فازی صورت گرفته است. رفتار شاخص غیرخطی و آشوب‌گونه است که روش‌های سنتی جوابگوی پیش‌بینی دقیق نیست. از این رو، با استفاده از دو ابزار فوق الذکر و با شناسایی سه متغیر کلان اقتصادی شامل نرخ تورم، نرخ ارز و قیمت نفت خام به عنوان متغیرهای مستقل، اقدام به پیش‌بینی عدد شاخص کل بورس برای یک هفته بعد گردید. ابتدا داده‌های روزانه سالهای 1387 الی 1394 متغیرهای پژوهش جمع‌آوری و ذخیره و با استفاده از نرمال‌سازی فازی، نرمال گردید. سپس مدل‌سازی با استفاده از سه متغیر فوق‌الذکر صورت پذیرفت و با مقایسه نتایج، عملکرد بهتر ANFIS نسبت به رگرسیون فازی مشاهده گردید. معیار سنجش عملکرد، ریشه دوم میانگین مربعات خطا بود که برای خروجی ANFIS ، مقدار 021248/0 حاصل شد. حاصل پیش‌بینی یک هفته بعد، برای هر دو ابزار کاهش خطا را نشان داد و مجددا ANFIS با مقدار 007933/0 برای خطا، عملکرد برتر این پژوهش را به خود اختصاص داد و مدل با چهار ورودی نسبت به مدل با سه ورودی دقت بیشتری از خود نشان داد. تاکید بر استفاده از متغیرهای کلان اقتصادی، پیش‌بینی یک هفته آینده عدد شاخص، استفاده از دو ابزار ذکر شده، آنالیز حساسیت مدل‌ها در حین تحقیق از ویژگی های این پژوهش است. این پژوهش می‌تواند مورد استفاده کلیه شرکت‌های حاضر در بورس، سرمایه‌گذاران، کارگزاری‌ها و افراد حقیقی و حقوقی که به هر نحوی با بورس اوراق بهادار سروکار دارند، واقع گردد.

چکیده انگلیسی:

The purpose of this study is to provide a prediction model for the Tehran Stock Exchange Index using Adaptive Neuro-Fuzzy Inference System (ANFIS) and fuzzy regression analysis. The behavior of this index is nonlinear and chaotic that traditional methods do not predict accurately. Hence, using the above two tools and identifying three macroeconomic variables including inflation rate, exchange rate and crude oil price as independent variables, we predicted the index of the total stock index for the next week. Then, the modeling was performed using the above three variables. By comparing the results, ANFIS performance was better than fuzzy regression. The Root Mean Square Error Performance criterion was obtained for the ANFIS output of 0.021248. The prediction of the next week showed an error reduction for both tools and ANFIS again with an error value of 0.007933, yielded superior performance of the study. Also, the model with four inputs was more accurate compared to the model with three inputs. The emphasis on using macroeconomic variables, predicting the next week's index number, using the two tools mentioned, analyzing the sensitivity of the models during the research are the characteristics of this research. This research can be used by all companies in the stock exchange, investors, brokers, and individuals and legal entities dealing in any way with the stock market.

منابع و مأخذ:

]1[ ابونوری ع. نادری ا. گندلی علیخانی ن. عبدالهی پ. (1392). تجزیه و تحلیل عدم تقارن میان شاخص سهام و نرخ تورم به کمک رویکرد هم انباشتگی پنهان: (مطالعه موردی ایران). فصلنامه راهبرد اقتصادی، شماره 5، صص69-94.

 

]2[ احمدخان‌بیگی‌س. عبدالوند ن. 1396. پیش­بینی قیمت سهام بارویکرد ترکیبی شبکه‌عصبی مصنوعی‌و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب. راهبرد مدیریت مالی. شماره هجدهم. صص 44-27.

 

]3[ ایزدی, سمیه, الهویرنلو, توفیق. (1397). یک روش ماتریسی جهت برآورد ضرایب رگرسیون خطی مبتنی بر اعداد-زاده. پژوهش­های نوین در ریاضی, 4(16), 5-16.

 

]4[ پیکانی پ. محمدی ع. جبارزاده آ. جندقیان ع. 1394. بهره­گیری از مدل استوار تحلیل پوششی داده­ها به منظور اندازه­گیری کارایی سهام مطالعه موردی بورس اوراق بهادار تهران. پِوهش­های نوین در ریاضی، شماره 4(1)، 24-15.

 

]5[ توحیدی, قاسم, کیانی, ندا, رضویان, شبنم. (1398). پیش­بینی هوشمند نقدینگی دستگاه‌های خودپرداز برمبنای تقاضای مشتریان. پژوهش­های نوین در ریاضی, (), -.

 

]6[ زمانی م. افسر ا. ثقفی نژاد و. بیات ا. (1393)، سیستم خبره پیش­بینی قیمت سهام و بهینه­سازی سبد سهام با استفاده از شبکه­های عصبی فازی، مدل­سازی فازی و الگوریتم ژنتیک، شماره21.

 

]7[ سعیدی پ. امیری ع. (1389). بررسی رابطه متغیرهای کلان اقتصادی با شاخص کل بورس اوراق بهادار تهران. فصلنامه مدلسازی اقتصادی، سال دوم، شماره 2، 111-130.

 

]8[ صادقی شریف سج. فرازمند س. 1396. ارزیابی پیش­بینی پذیری قیمت سهام با استفاده از شبکه­های عصبی فازی در بورس تهران. فصلنامه سیاست­های مالی و اقتصادی. شماره 17. صص 115-97.

 

]9[ طاهری ح. صارم صفاری م. (1390). ARDL بررسی

رابطه بین نرخ ارز و شاخص قیمت بورس اوراق بهادار تهران: با استفاده از رویکرد، فصلنامه روند پژوهش­های اقتصادی، سال نوزدهم، شماره ٦٠.

 

]10[ غفاری م. یوسفی ر. (1390). مدل­سازی پیش بینی قیمت ارز با استفاده از شبکه­های عصبی. مجله مهندسی مالی و مدیریت اوراق بهادار. شماره هشتم. ص 99 – 118.

 

]11[ فشاری م. مظاهری فر پ. 1395. مقایسه الگوریتم­های پیش­بینی و بهینه­سازی پرتفوی در بورس اوراق بهادار تهران. فصلنامه سیاست­گذاری پیشرفت اقتصادی دانشگاه الزهرا(س). شماره 11.

 

]12[ فلاح­پور س. علی­پور ج (1393). پیش بینی شاخص سهام با استفاده از شبکه­های عصبی موجکی در بورس اوراق بهادار تهران. مجله راهبرد مدیریت مالی. شماره7، ص15 – 31.

 

]13[ کوره­پزان دزفولی امین. 1387. اصول تئوری
مجموعه­های فازی و کاربردهای آن در مدل‌های مسائل مهندسی آب. چاپ اول. تهران. انتشارات جهاد دانشگاهی، واحد صنعتی امیرکبیر.

 

]14[ محمدی ش. طبسی ح. (1391). بررسی تغییرات ناهموار بورس اوراق بهادار تهران با استفاده از نظریه کاتاستروف، فصلنامه تحقیقات اقتصادی، 2(47):119-136.

 

[15] Arjmandzadeh Z. Safi M. Nazemi A.2017.  A new Neural Network Model for Solving Interval Linear Programming Problems. Neural Network, Vol.89:11-18. pp 679-690.

 

[16] Asghar, M. Z., Rahman, F., Kundi, F. M., & Ahmad, S. (2019). Development of stock market trend prediction system using multiple regression. Computational and Mathematical Organization Theory, 1-31.

 

[17] Atsalakis G. Valavanis K P. 2009 surveying stock market forecasting techniques – Part II: Soft computing

methods. Expert Systems with Applications, Volume 36 Part 2:5932-5941.

 

[18] Atsalakis G. Valavanis K.  2010. Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, Volume 36: 10696-10707.

 

[19] Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 47, 552-567.

 

[20] Celmins A. 1991. A Practical Approach to Nonlinear Fuzzy Regression. SIAM Journal on Scientific and Statistical Computing. 521-546.

 

[21] Chang N. Wen C G. Chen Y L. Yong Y C. 1996. A grey fuzzy multiobjective programming approach for the optimal planning of a reservoir watershed. Part A: Theoretical development. Water Research, Volume 30: 2329-2334

 

[22] Chang Y O. Ayyub B M. 2001. Fuzzy Regression Methods–A Comparative Assessment. Fuzzy Sets and Systems, 119: 187–203.

 

[23] Diamond P. 1990. Higher level fuzzy numbers arising from fuzzy regression models. Fuzzy Sets and Systems. Volume 36:265-275,

 

[24] D'Urso P. 2003. Linear regression analysis for fuzzy/crisp input and fuzzy/crisp output data. Computational Statistics & Data Analysis. Volume 42:47-72.

 

[25] D'Urso P. Gasstaldi T. 2000. A least-squares approach to fuzzy linear regression analysis. Computational Statistics & Data Analysis. Volume 34:427-440

[26] Farahani K M. Mehralian S. 2013 Comparison between Artificial Neural Network and neuro-fuzzy for gold price prediction. 13th Iranian Conference on Fuzzy Systems (IFSC), Qazvin. 2013, pp. 1-5.

 

[27] Guresen E.  Kayakutlu G. Dalim U. 2011. Using artificial Neural Network Models in Stock Market Index Prediction Expert System With Applications, ISS.8 (Vol.38), PP. 10389-10397.

 

[28] Hui-Kuang T. Kun-Huang Y. 2008. A bivariate fuzzy time series model to forecast the TAIEX. Expert Systems with Applications, Volume 34, Issue 4 2945-2952.

 

[29] Iskandar N. (2005). An Artificial Neural Networks Approach for Short Term Modeling of Stock Price Market. M.Sc Thesis University of Regia, 13, 383–400.

 

[30] Kacprzyk J. Fedrizzi M. 1992. Possibilistic regression analysis based on linear programming Fuzzy Regression Analysis. Heidelberg Germany Omnitech Warsaw Poland, 47-60.

 

[31] Lee I. Pettit R R. Swankoski M V. 1990, DAILY RETURN RELATIONSHIPS AMONG ASIAN STOCK MARKETS. Journal of Business Finance & Accounting, 17: 265–283.

 

[32] Lu J.  Wang R. 2009.  An enhanced fuzzy linear regression model with more flexible spreads.  Fuzzy Sets and Systems, Volume 160:2505-2523.

 

[33] Mallqui, D. C., & Fernandes, R. A. (2019). Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine-learning techniques. Applied Soft Computing, 75, 596-606.

 

[34] Melin P. Soto J.  Castillo O. Soria J. 2012. A New Approach for Time Series Prediction Using Ensembles of ANFIS Models. Expert Systems with Application, Iss.3 (Vol.39) pp.3494-3506.

 

[35] Moghaddam A. Moghaddam M. Esfandyari M. 2016. Stock market index prediction using artificial neural network. Journal of Economics, Finance and Administrative Science. Volume 21:89-93.

 

[36] Nathan D. Shamsuddin K. 2014. FOREX rate prediction using a Hybrid System. International Journal of Engineering Research and Technology. 3.

 

[37] Peters G. 1994. Fuzzy linear regression with fuzzy intervals. Fuzzy Sets and Systems. Volume 63:45-55

 

[38] Quah J T S. W. D. Ng. 2008. Utilizing Computational Intelligence for DJIA Stock Selection. International Joint Conference on Neural Networks, Orlando, 2007, pp. 956-961.

 

[39] Redden D T. Woodal W H. 1994. Properties of certain fuzzy linear regression methods. Fuzzy Sets and Systems. 64:361-375.

 

[40] Su, C. H., & Cheng, C. H. 2016. A hybrid fuzzy time series model based on ANFIS and integrated nonlinear feature selection method for forecasting stock. Neurocomputing, 205, 264–273.

 

[41] Sun, K., Zhang, A., Qiu, J., Chen, X., Yang, C., & Chen, X. (2015). Dynamic analysis of periodic solution for high-order discrete-time Cohen–Grossberg neural networks with time delays. Neural Networks, 61, 68-74.

 

[42] Swanson N, White H. 2001. A Model Selection Approach to Assessing the Information in the Term Structure Using Linear Models and Artificial Neural Networks. Journal of Business & Economic Statistics. 13 10.10524600.

 

[43] Tan, L., Wang, S., & Wang, K. 2017. A new adaptive network-based fuzzy inference system with adaptive adjustment rules for stock market volatility forecasting. Information Processing Letters, 127 (June), 32–36.

 

[44] Tanaka H. Ishibushi H. 1991. Identification of Possibilistic Linear Systems by Quadratic Membership Functions of Fuzzy Parameters. Fuzzy Sets and Systems, 41: 145-160.

 

[45] Tanaka H. Lee H. 1998. Interval regression analysis by quadratic programming approach. IEEE Transactions on Fuzzy Systems. Vol 6. No. 4: 473-481

 

[46] Tanaka H. Uejima S Asai K. 1982. Linear Regression Analysis with Fuzzy Model. IEEE, System Trans Systems Man Cybernet.SMC, pp: 903-907.

 

[47] Wei, L. Y. 2016. A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting. Applied Soft Computing Journal, 42, 368–376

 

[48] Yunos Z M. Shamsuddin S M. Sallehuddin R.2008. Data Modeling for Kuala Lumpur Composite Index with ANFIS. Second Asia International Conference on Modelling & Simulation (AMS), Kuala Lumpur. 2008, pp. 609-614.