پیش بینی بازده بازار سرمایه با استفاده از الگوی یادگیری الگوریتم لورنبرگ مارکوات, گرادیان نزولی و الگوی آریما (ARIMA)

الموضوعات :

مهدی اشعریون قمی زاده ¹ , محمد محمودی ²

1 - گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران
2 - گروه حسابداری، واحد فیروزکوه, دانشگاه آزاد اسلامی، فیروزکوه, ایران

تاريخ الإرسال : 23 السبت , جمادى الأولى, 1441 تاريخ التأكيد : 02 الخميس , شعبان, 1441 تاريخ الإصدار : 05 الثلاثاء , صفر, 1442

الکلمات المفتاحية: پیش بینی بازده بازار سرمایه, الگوریتم لورنبرگ مارکوات, گرادیان نزولی و الگوی آریما (ARIMA),

ملخص المقالة :

پژوهش حاضر بر اساس ارزیابی الگوی یادگیری الگوریتم لورنبرگ مارکوات، گرادیان نزولی و الگوی آریما به مقایسه و توانایی پیش‌بینی کنندگی در بازار سرمایه می‌پردازد. بدین منظور داده‌های بازار در سال‌های 1394 تا 1397 مورد استفاده قرار گرفت و بیش از 75 درصد از این داده‌ها تا قبل از سال 1397 به عنوان داده‌های آموزشی استفاده شد و داده‌های یک سال پایانی نیز به عنوان داده‌های آزمایشی مورد استفاده قرار گرفته شده است. نتایج تحقیق نشان داده‌اند، شبکه‌های عصبی مصنوعی ظرفیت بالایی برای پیش‌بینی قیمت دارند. مقایسه نتایج و عملکرد شبکه‌های عصبی و الگوی آریما (ARIMA) حاکی از آن است که شبکه عصبی قدرت پیش‌بینی بالاتری در مقایسه با الگوی خطی آریما (ARIMA) دارد، همچنین مقایسه عملکرد و دقت پیش‌بینی دو نوع شبکه عصبی با الگوریتم یادگیری لونبرگ مارکوارت و الگوریتم یادگیری گرادیان نزولی نشان داد که استفاده از الگوریتم یادگیری لونبرگ مارکورات توانسته است دقت پیش‌بینی شبکه عصبی را افزایش داده و خطای آن را کاهش دهد، بنابراین بر پایه پژوهش انجام شده می‌توان چنین نتیجه گرفت که الگوریتم یادگیری لونبرگ مارکوارت قدرت پیش‌بینی شبکه عصبی را بهبود می‌بخشد.

المصادر:

 

 

1. بهرامی، آسو و صادق همه‌خانی.(1395). استفاده از شبکه عصبی برای پیش‌بینی روند قیمت سهام، فصلنامه مدیریت حسابداری، دوره 2، شماره سوم، صص 322-301.


2. راعی رضا؛ بت شکن محمود (1379)، پیش بینی قیمت سهام با استفاده از شبکه عصبی - فازی و مقایسه آن با الگوهای خطی پیش بینی، پایان نامه دکتری، دانشکده مدیریت، دانشگاه تهران.


3. صفا، مژگان و پناهیات، حسین. (1398)، "اولویت بندی عوامل پیش بینی کننده P/E در بورس اوراق بهادار تهران با استفاده از الگوریتم فرا ابتکاری هارمونی سرچ(HS)"، دانش سرمایه‌گذاری، دوره 8، شماره 29، بهار، صص 67-82.


4. فلاح­پور، سعید و پورریکنده جوادعلی.(1393).پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران.مقاله 2، دوره 2، شماره 4 - شماره پیاپی 7، زمستان 1393، صفحه 15-31


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


6. مهری نمک آورانی امید و احتشام راثی رضا (1398) "پیش بینی منابع مالی بانک با استفاده از مدل خطی (ARIMA) و غیرخطی شبکه های عصبی مصنوعی فازی"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره 10، شماره 41، زمستان، صفحه 1-478.


7. میر علوی سید حسین و پورزمانی زهرا (1398) ، " ارائه مدلی جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری و شبکه‌های عصبی"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره و شماره: دوره 10، شماره 40، پاییز، صفحه 1-414.


8. زمردیان غلامرضا، کاشانی تبار شهرزاد و مانا خاکساریان (1398) " استفاده از شبکه های عصبی موجکی به منظورتعیین و ارزیابی تاثیرات ریسک سیستمایک بر بازده مالی سهام"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره و شماره: دوره 10، شماره 39، تابستان، صفحه 1-397.


9. نمازی، محمد و محمد مهدی کیامهر، (1386)، " پیش‌بینی بازده روزانه سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی"، تحقیقات مالی، شماره 24، ص 115-135.


10. Ling-Jing Kao, Chih-ChouChiu, Chi-JieLu, Jung-LiYang(2013). Integration of nonlinear independent component analysis and support vector regression for stock price forecasting, Neurocomputing 99534–542.


11. Liu, L. and Wang, W. (2012). Exchange Rates Forecastiing with Least Squares SVM. In ternational Conference on Computer Science and Software Engineering.


12. Lu Xi, Hou Muzhou, Moon Ho Lee, Jun Li, Duan Wei, Han Hai, Yalin Wu(2014). A new constructive neural network method for noise processing andits application on stock market prediction, Applied Soft Computing (15) 57–66.


13. Patel, Jigar. Shah, Sahil. Thakkar, Priyank. Kotecha, K.(2015). Predicting stock market index using fusion of machine learning techniques. Expert Systems with Applications Vo 42, Issue 4, Pp 2162-2172.


14. Ranjeeta Bisoi, P.K. Dash(2014). A hybrid evolutionary dynamic neural network for stock market trendanalysis and prediction using unscented Kalman filter, Applied Soft Computing (19) 41–56.


15. Ticknor, Jonathan L, (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications Vol 40, Iss 14, , Pp 5501-5506.

 

 

1. Bahrami, Aso and Sadegh Hamekhani. (2015). Using neural network to predict stock price trend, Accounting Management Quarterly, Volume 2, Number 3, pp. 301-322.
2. Rai Reza; Betshekan Mahmoud (2009), stock price forecasting using neural-fuzzy network and its comparison with linear prediction models, PhD thesis, Faculty of Management, University of Tehran.
3. Safa, Mozhgan and Panahyat, Hossein. (2018), "Prioritization of P/E predictors in Tehran Stock Exchange using Harmony Search (HS) meta-heuristic algorithm", Investment Knowledge, Volume 8, Number 29, Spring, pp. 67-82.
4. Falahpour, Saeed and Pourrikandeh Javadali. (2013). Prediction of stock index using wavelet neural networks in Tehran stock exchange. Article 2, period 2, number 4 - serial number 7, winter 2013, pages 15-31
5. Manjemi, Seyed Amir Hossein; Abzari, Mehdi and Raaiti Shawazi, Alireza (2008), stock price prediction in the stock market using fuzzy neural network and genetic algorithms and its comparison with artificial neural network, Quantitative Economics Quarterly. Former Economic Surveys), Volume 6, Number 3.
6. Mehri Namak Avrani Omid and Ehtsham Rathi Reza (2018) "Forecasting bank financial resources using linear (ARIMA) and nonlinear fuzzy artificial neural network models", Financial Engineering and Securities Management Quarterly, Volume 10, Number 41. Winter, page 1-478.
7. Mir Alavi Seyed Hossein and Pourzamani Zahra (2018), "Presentation of a model for predicting stock prices using meta-heuristic methods and neural networks", Financial Engineering and Securities Management Quarterly, Volume and Number: Volume 10, Number 40, Fall , page 1-414.
8. Zamardian Gholamreza, Kashani Tabar Shahrazad and Mana Khaksarian (2018) "Using wavelet neural networks to determine and evaluate the effects of systemic risk on the financial returns of stocks", Financial Engineering and Securities Management Quarterly, Volume and Number: Volume 10, Number 39, Summer, pp. 1-397.
9. Namazi, Mohammad and Mohammad Mahdi Kiamhar, (2016), "Prediction of daily stock returns of companies listed on the Tehran Stock Exchange using artificial neural networks", Financial Research, No. 24, pp. 115-135.
10. Ling-Jing Kao, Chih-ChouChiu, Chi-JieLu, Jung-LiYang(2013). Integration of nonlinear independent component analysis and support vector regression for stock price forecasting, Neurocomputing 99534-542.
11. Liu, L. and Wang, W. (2012). Exchange Rates Forecasting with Least Squares SVM. International Conference on Computer Science and Software Engineering.
12. Lu Xi, Hou Muzhou, Moon Ho Lee, Jun Li, Duan Wei, Han Hai, Yalin Wu(2014). A new constructive neural network method for noise processing and its application on stock market prediction, Applied Soft Computing (15) 57-66.
13. Patel, Jigar. Shah, Sahil. Thakkar, Priyank. Kotecha, K. (2015). Predicting stock market index using fusion of machine learning techniques. Expert Systems with Applications Vo 42, Issue 4, Pp 2162-2172.
14. Ranjeeta Bisoi, P.K. Dash (2014). A hybrid evolutionary dynamic neural network for stock market trend analysis and prediction using unscented Kalman filter, Applied Soft Computing (19) 41–56.
15. Ticknor, Jonathan L, (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications Vol 40, Iss 14, , Pp 5501-5506.