پیش‌بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل‌های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک

الموضوعات :

مریم دولو ¹ , تکتم حیدری ²

1 - استادیار مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
2 - دانشجوی کارشناسی ارشد مدیریت مالی، دانشگاه ارشاد دماوند، تهران، ایران

تاريخ الإرسال : 29 السبت , رمضان, 1438 تاريخ التأكيد : 07 الثلاثاء , ذو الحجة, 1438 تاريخ الإصدار : 04 الأربعاء , ربيع الأول, 1439

الکلمات المفتاحية: C45, C61, نماگرهای تکنیکی, شبکه عصبی مصنوعی, الگوریتم ژنتیک, جستجوی هارمونی. طبقه بندی JEL : D83, C63,

ملخص المقالة :

هدف پژوهش حاضر پیش‌بینی شاخص قیمت بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون در لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فراابتکاری ژنتیک و جستجوی هارمونی حاصل می‌گردد. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش‌بینی شاخص قیمت و آزمون آن استفاده می‌شود. دقت پیش‌بینی سه مدل شبکه عصبی عادی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش‌بینی ارزیابی می‌گردد. نتایج حاصله نشان می‌دهد دقت پیش‌بینی مدل‌های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش‌بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است. This study is aimed to predict the price index of Tehran Stock Exchange using hybrid Artificial Neural Network (ANN) models based on Genetic Algorithms (GA) and Harmony Search (HS). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network are achieved by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate.

المصادر:

1)   استیری ، علی .(1392). پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از مدل ترکیبی . پایان نامه کارشناسی ارشد. دانشگاه تهران.

2)   حقیقت منفرد، جلال و علی‌نژاد، محمود احمد و متقالچی،سارا (1391) مقایسه مدل های شبکه عصبی با مدل سری زمانی باکس- جنکینز در پیش بینی شاخص کل قیمت سهام بورس اوراق بهادار تهران، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 11، 16-1

3)   علوی ، جعفر. (1385). ترکیب تحلیل تکنیکی با هوش مصنوعی (هوش محاسباتی) و مقایسه آن با روش تحلیل تکنیکی پیش‌بینی قیمت سهام. پایان نامه کارشناسی ارشد. دانشگاه تهران

4)   عاملی،احمد و رمضانی، ملیحه ( 1394). "پیش‌بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی"، فصلنامه پژوهشات مدلسازی اقتصادی شماره 22، 91=61.

5)   منجمی‌،سید امیر حسین ؛ابزری،مهدی ورعیتی شوازی، علیرضا(1388) ،پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه ی عصبی فازی والگوریتمهای ژنتیک و مقایسه آن با شبکه ی عصبی مصنوعی ،فصلنامه اقتصاد مقداری (بررسیهای اقتصادی سابق)، دوره 6، شماره3، 26-1.

6)   Gocüken, M. & Ozcüalõcõ, M. & Boru, A. & Dosdogùru, A. (2016). Integrating Metaheuristics and ArtiÞcial Neural Networks for improved Stock Price Prediction, Expert Systems With Applications, doi: 10.1016/j.eswa.2015.09.029

7)   Huang, C. & Yang, D. & Chuang, Y. (2008)."Application of wrapper approach and composite classifier to the stock trend prediction", Expert System with Application, 34, PP. 2870–2878.

8)   Laboissiere, L. A. & Fernandes, R. A. S. & Lage, G. G. (2015). Maximum And Minimum Stock Price Forecasting of Brazilian Power Distribution Companies Based on Artificial Neural Networks, Applied Soft Computing, 35, 66–74

9)   White, H. (1988). Economic prediction using neural networks: The case of ibm daily stock returns, IEEE International conference on Neural Networks.

10)Wang, J. Z. & Wang, J. J. & Zhang, Z. G. & Guo, S. P. (2012). Forecasting stock indices with Back-Propagation Neural Network, Expert Systems with Applications, Vol. 38:11, pp. 346-355.

 

 

 

 

یادداشت‌ها