طراحی الگویی جهت پیش بینی شاخص بورس تهران با استفاده از ترکیبی از شبکه عصبی مصنوعی و مدل مخفی مارکوف

الموضوعات : دانش سرمایه‌گذاری

لیلا طلایی کاکلکی ¹ , مهدی معدنچی زاج ² , تقی ترابی ³ , فرهاد غفاری ⁴

1 - دانشجوی دکتری مدیریت مالی - دانشگاه آزاد اسلامی، واحد امارات متحده عربی
2 - استادیار گروه مدیریت مالی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد الکترونیکی، تهران، ایران
3 - دانشیار دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران،ایران
4 - دانشیار دانشکده مدیریت و اقتصادواحدعلوم وتحقیقات تهران دانشگاه آزاداسلامی

تاريخ الإرسال : 13 الأحد , رمضان, 1442 تاريخ التأكيد : 27 الأحد , رمضان, 1442 تاريخ الإصدار : 15 الجمعة , ذو الحجة, 1445

الکلمات المفتاحية: مدل ترکیبی, پیش بینی شاخص کل بورس, مدل مارکوف, مدل شبکه عصبی مصنوعی,

ملخص المقالة :

هدف این پژوهش طراحی الگویی جدید جهت پیش بینی شاخص بورس تهران با استفاده از تشخیص الگو در ترکیبی از مدل مارکوف مخفی وهوش مصنوعی بود که تحقیق حاضر از نوع کاربردی و روش تحلیلی ریاضی می باشد. قلمرو مکانی آن بورس اوراق بهادار تهران و طی سال های 1389 تا 1398 است. یافته های پژوهش نشان داد که میزان خطای پیش‌بینی با شبکه عصبی مصنوعی از دقت بالاتری نسبت به مدل مخفی مارکوف برخوردار است. همچنین میزان خطای پیش بینی مدل ترکیبی به مراتب از دو مدل دیگر برای پیش بینی شاخص کل سهام بورس تهران کمتر بوده، لذا دقت بالاتری برای پیش بینی سهام را دارا می باشد. با توجه به شاخص MAPE روش مدل ترکیبی توانسته 044/0 درصد توان پیش بینی شبکه عصبی مصنوعی را بهبود ببخشد و همچنین 70/0 درصد قدرت پیش بینی کنندگی مدل مخفی مارکوف را بهبود ببخشد.

المصادر:

• چگینی احمد , گرد عزیز (1399) , پیش بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی مصنوعی (ANN) و مدل خود رگرسیون میانگین متحرک انباشته (ARIMA) مطالعه موردی دو شرکت دارویی فعال بورس اوراق بهادار , مهندسی مالی و مدیریت اوراق بهادار , دوره 11 شماره 44, صص 371-350


• ذوالفغاری مهدی , سحابی بهرام , بختیاران محمد جواد (1399) طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار ( با تاکید بر مدلهای ترکیبی شبکه یادگیری عمیق و مدلهای خانواده GARCH))) , مهندسی مالی و مدیریت اوراق بهادار , دوره 11 شماره 42 , صص 171-138


• نجار زاده رضا , ذوالفغاری مهدی و غلامی صمد(1399) طراحی مدلی جهت پیش بینی بازده شاخص بورس ( با تاکید بر مدلهای ترکیبی شبکه عصبی و مدلهای با حافظه بلند مدت) , دانش سرمایه گذاری , دوره 9 شماره 34 , صص 257-231


• راستین فر علی, همت فر محمود. (1399) , مدلسازی و پیش بینی نوسانات بازار سهام با استفاده از تر کیب شبکه عصبی و الگوهای واریانس شرطی , مهندسی مالی و مدیریت اوراق بهادار دوره 11 شماره43 , صص473-451


• رضایی سیدمهدی, باغجری محمود, مظاهری فر پوریا (1398). مقایسه شبکه عصبی ,سیستم فازی عصبی و مدل ar درپیش بینی بازده اوراق بهادار و الگوریتم جستجوی موجودات همزیست با ممتیک آن در بهینه سازی پرتفوی , دانش مالی تحلیل اوراق بهادار. دوره 12 شماره 43 , صص119-109


• شریعت پناهی, سید مجید, عبادی, جواد, پیمانی, مسلم.(1390). پیش بینی بازده با استفاده از معیارهای مختلف ریسک؛ براساس شواهدی از بورس اوراق بهادار تهران. مطالعات تجربی حسابداری مالی, 8(31), 101-119.


• صادقی, محسن, سروش, ابوذر, فرهانیان, محمد جواد. بررسی معیارهای نوسان‌پذیری، ریسک مطلوب و ریسک نامطلوب در مدل قیمت‌گذاری دارایی‎های سرمایه‎ای: شواهدی از بورس اوراق بهادار تهران. تحقیقات مالی, 12(29)، 1389.


• فقیهی نژاد, محمد تقی, مینایی, بهروز. (1397). پیش‌بینی رفتار بازار سهام بر اساس شبکه‌های عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند. مدیریت صنعتی, 10(2), 315-334.


• میرعلوی, سید حسین, پورزمانی, زهرا. (1398). ارائه مدلی جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری و شبکه‌های عصبی. مهندسی مالی و مدیریت اوراق بهادار, 10(40), 57-83.


• نیکبخت، محمد رضا؛ شریفی، مریم (1389). پیش‌بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شبکه‎‎های عصبی مصنوعی.نشریه مدیریت صنعتی، 2(4)، 163-180.


• Adebiyi, A. A., Adewumi, A.O., & Ayo, C. K. (2014). Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics, 2014, 1-7.


• Al Galib, A., Alam, M. and Rahman, R.M. (2014) Prediction of stock price based on hidden Markov model and nearest neighbour algorithm’, Int. J. Information and Decision Sciences, Vol. 6, No. 3, pp.262–292.


• Atsalakis, G. S., & Valavanis, K. P. (2009a). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, 36(7), 10696-10707.


• Cao, W., Zhu, W., & Demazeau, Y. (2019). Multi-Layer Coupled Hidden Markov Model for Cross-Market Behavior Analysis and Trend Forecasting. IEEE Access, 7, 158563-158574.‏


• Cavalcante, R. C., Brasileiro, R. C., Souza, V. L.F., Nobrega, J. P., & Oliveira, A. L.I. (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions. Expert Systems with Applications, 55, 194-211.


• Chauvin, Y., & Rumelhart, D. E. (1995). Backpropagation: theory, architectures, and applications. Psychology Press.


• Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38(8), 10389-10397.


• JAROSLAV LAJOS,(2011)” Computer Modeling Using Hidden Markov Model Approach Applied to the financial ”Doctoraldissertation, Oklahoma State University,United states of America


• Li, X., Yang, L., Xue, F., & Zhou, H. (2017). Time series prediction of stock price using deep belief networks with intrinsic plasticity. Paper presented at the Control And Decision Conference (CCDC), 2017 29th Chinese.


• Padmaja Dhenuvakonda, R. Amandan, N. Kumar,(2020, November), “Stock Price Prediction Using Artificial Neurl Net works “ ,Journal of Critical Reviews ,Vol 7, pp.846-850


• Rijeka ,Przemyslaw Dymarski,(2011),"Hidden Markov Models, Theory and Applications" Publisher: InTech, Chapters published April 19, 2011 under CC BY-NC-SA 3.0 license


• Shah, H. N. (2019, March). Prediction of Stock Market Using Artificial Intelligence. In 2019 IEEE 5th International Conference for Convergence in Technology (I2CT) (pp. 1-6). IEEE.‏


• Tabar, S., Sharma, S., & Volkman, D. (2020). A new method for predicting stock market crashes using classification and artificial neural networks. International Journal of Business and Data Analytics, 1(3), 203-217.‏


• Tkáč, M., & Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing, 38(1), 788-804.


• Wang, S. (2020, February). The Prediction of Stock Index Movements Based on Machine Learning. In Proceedings of the 2020 12th International Conference on Computer and Automation Engineering (pp. 1-6).‏


• Yan, D., Zhou, Qi, Wang, J., & Zhang, N. (2017). Bayesian regularisation neural network based on artificial intelligence optimisation. International Journal of Production Research, 55(8), 2266-2287.