پیش‌ بینی قیمت سهام با استفاده از شبکه‌ های عصبی مصنوعی بر روی داده های محدوده ی کمترین قیمت

الموضوعات :

بهمن اشرفی جو ¹ , ناصر فقهی فرهمند ² , یعقوب علوی متین ³ , کمال الدین رحمانی ⁴

1 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
2 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
3 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، ایران،تبریز
4 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

تاريخ الإرسال : 16 الإثنين , صفر, 1444 تاريخ التأكيد : 04 الأربعاء , جمادى الثانية, 1444 تاريخ الإصدار : 08 السبت , ربيع الأول, 1445

الکلمات المفتاحية: شبکه‌های عصبی, رگرسیون, لونبرگ - مارکوارت, گرادیان مزدوج مقیاس بندی شده, منظم سازی بیزین, محدوده ی کمترین قیمت,

ملخص المقالة :

امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش‌بینی قیمت سهام میباشد. داده‌های قیمت سهام، یک سری زمانی مالی را نشان می‌دهد که پیش‌بینی روند آن‌ به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش‌بینی سری‌های زمانی مالی، شبکه عصبی پس انتشار خطا BPNN میباشد. در این مقاله از شبکه‌های عصبی براساس سه الگوریتم یادگیری مختلف لونبرگ – مارکوارت LM، گرادیان مزدوج مقیاس بندی شده SCG و منظم سازی بیزین BR برای پیش‌بینی بازار سهام براساس داده‌های محدوده ی کمترین قیمت و همچنین داده‌های 30 دقیقه‌ای شاخص بورس استفاده کرده و نتایج آن‌ها را با یکدیگر مقایسه می کنیم. هر سه الگوریتم تخمین ۹۹.۹ % را با استفاده از داده‌های محدوده ی کمترین قیمت فراهم می‌کنند. اما زمان استفاده از داده های 30 دقیقه‌ای، دقت تخمین به ترتیب به ۹۶.۲ %، ۹۷.۰ % و ۹۸.۹ % برای الگوریتم لونبرگ-مارکورات، گرادیان مزدوج مقیاس بندی شده و منظم سازی بیزین کاهش می‌یابد، در نهایت شبکه ی عصبی بهینه با روش رگرسیون مقایسه شده تا مشخص شود نتایج شبکه ی عصبی در سری های زمانی غیرخطی پیچیده، کاراتر از روشهای خطی میباشد.