پیش‌بینی قیمت سهام در بازار مالی با استفاده از الگوریتمهای ترکیبی GA-SVM

محورهای موضوعی : بازارها و نهادهای مالی

امیدمهدی عبادتی ¹ , محمدعلی جعفری ² , نسیم داودی فر ³

1 - گروه مدیریت عملیات و فناوری اطلاعات، دانشگاه خوارزمی، تهران
2 - گروه ریاضیات مالی، دانشگاه خوارزمی، تهران، ایران
3 - گروه ریاضیات مالی، دانشگاه خوارزمی، تهران، ایران

تاریخ دریافت : 1400/07/22 تاریخ پذیرش : 1400/12/01 تاریخ انتشار : 1400/12/01

کلید واژه: قیمت سهام, پیش‌بینی, الگوریتم GA, الگوریتم SVM, بازارهای مالی بین‌المللی,

چکیده مقاله :

هدف مقاله حاضر پیش‌بینی قیمت سهام به‌وسیله الگوریتم ترکیبی GA-SV می‌باشد. پیش‌بینی سری‌های زمانی مانند پیش‌بینی قیمت سهام یکی از مهم‌ترین مشکلات در حوزه مالی است، زیرا داده‌ها ناپایدار بوده و دارای متغیرهای نویزی می‌باشند که تحت‌تأثیر عوامل زیادی قرار دارند. در شرایط واقعی نیز شناسایی حرکات سری زمانی شاخص قیمت سهام بسیار پیچیده می‌باشد؛ بنابراین استفاده از یک مدل کلاسیک به‌تنهایی نمی‌تواند پیش‌بینی دقیقی از شاخص‌های قیمت سهام داشته باشد. ازاین‌رو با به‌کارگیری روش‌های ترکیبی می‌توان عدم اطمینان در پیش‌بینی را کاهش داد. در پیش‌بینی قیمت سهام در بخش مالی بیش از 100 شاخص برای درک رفتار بازار سهام ایجاد شده است؛ بنابراین شناسایی شاخص‌های مناسب یک مشکل چالش‌برانگیز است. یکی از تکنیک‌هایی که اخیراً برای پیش‌بینی سریال مورد بررسی قرار گرفته است، رگرسیون پشتیبانی بردار (SVR) است. این مطالعه از الگوریتم ترکیبی GA-SVM برای پیش‌بینی شاخص قیمت سهام استفاده می‌کند. نتایج تجربی نشان می‌دهد که الگوریتم پیشنهادی جایگزین مناسب‌تر و امیدوار کننده‌تری برای پیش‌بینی بازار سهام فراهم می‌آورد.

چکیده انگلیسی:

The purpose of this paper is to predict stock prices using Hybrid GA-SVM Algorithm. Predicting time series such as stock price forecasting is one of the most important issues in financial field. In real life, identifying time series movements in stock price indices is very complex. Therefore, the use of a classical model alone cannot accurately predict stock price indices. Hence, by using combined methods, uncertainty in forecasting can be reduced. In stock price forecasting in financial sector, more than 100 indicators have been created to understand stock market behavior, so, identifying the appropriate indicators is a challenging problem. One of the techniques that has recently been studied for serial forecasting is support regression Vector (SVR) or machine support vector (SVM). This study uses the GA-SVM hybrid algorithm to predict the stock price index. Experimental results show that Hybrid GA-SVM Algorithm provides a more appropriate and promising alternative to stock market forecasting.

منابع و مأخذ:

اسکندری، علی؛ نوری، روح‌اله؛ معراجی، حامد؛ کیاقادی، امین. (1391). توسعة مدلی مناسب بر مبنای شبکة عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‌بینی بهنگام اکسیژن‌خواهی بیوشیمیایی 5 روزه. محیط شناسی، 38(1)، 82-71.

البرزی، محمود(1393)، الگوریتم ژنتیک، تهران، دانشگاه صنعتی شریف. موسسه انتشارات علمی.

آذرافزا، هاله؛ رضایی، حسین؛ بهمنش، جواد؛ بشارت، سینا. (1391). مقایسه نتایج بکارگیری الگوریتم‌های PSO، GA و SA در بهینه‌سازی سیستم‌های تک‌مخزنه (مطالعه‌موردی: سدشهرچای، ارومیه). آب و خاک، 26(5)، 1108-1101.

دایی، امیر؛ عبادتی، امیدمهدی؛ برنا، کیوان. (1398). به‌ کارگیری وب‌ کاوی در پیش‌بینی جهت قیمت سهام گروه محصولات شیمیایی در بورس اوراق بهادار. فصلنامه فناوری اطلاعات و ارتباطات ایران، 39(11)، 48-19. 

دولو، مریم؛ صفری، علی. (1395). پیش بینی شاخص قیمت سهام با استفاده از مدل هیبریدی. فصلنامه بورس اوراق بهادار، 9(35)، 101-81.

فلاح پور، سعید؛ گل ارضی، غلامحسین؛ فتوره چیان، ناصر. (1392). پیش‌بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان برپایۀ الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی، 15(2)، 288-269.

فهمی حسن، آرش؛ مغاری، محمدرضا؛ عبادتی، امیدمهدی. (1397). پیش بینی اهداء خون با استفاده از داده کاوی بر پایه الگوریتم های درخت تصمیم، KNN، SVM و MLP. مدیریت مهندسی و رایانش نرم، 4(1)، 97-77.

 

Alborzi, Mahmoud (2014), Genetic Algorithm, Tehran, Sharif University of Technology. Scientific Publishing Institute. [In Persian].

Azarafza, H., Rezaei, H., Behmanesh, J., Besharat, S. (2012). Results Comparison of Employing PSO, GA and SA Algorithms in Optimizing Reservoir Operation (Case Study: Shaharchai Dam, Urmia, Iran). Water and Soil, 26(5), 1101-1108. [In Persian].

Cervantes, J., García Lamont, F., López-Chau, A., Rodríguez Mazahua, L., & Sergio Ruíz, J. (2015). Data selection based on decision tree for SVM classification on large data sets. Applied Soft Computing, 37, 787–798.

Daee, A., Ebadati, O,M., Borna, K. (2018).Using web analytics in forecasting the stock price of chemical products group in the stock exchange. Journal of Information and Communication Technology. 39(11) .19-48. [In Persian].

Davalou, M., Safari, A. (2016). Stock Price Index Forecasting Using a Hybrid Model. Journal of Securities Exchange, 9(35), 81-101. [In Persian].

Ebadati E., O. M., & Mortazavi T., M. (2018). An Efficient Hybrid Machine Learning Method For Time Series Stock Market Forecasting. Neural Network World, 28(1), 41–55.

Eskandari, A., Nouri, R., Meraji, H., Kiaghadi, A. (2012). Developing a Proper Model for Online Estimation of the 5-Day Biochemical Oxygen Demand Based on Artificial Neural Network and Support Vector Machine. Journal of Environmental Studies, 38(1), 71-82. [In Persian].

Fahmi Hassan, A., Moghari, M., Ebadati, O. (2018). Prediction of Blood Donations Using Data Mining Based on the Decision Tree Algorithms KNN, SVM, and MLP. Engineering Management and Soft Computing, 4(1), 77-97. [In Persian].

Fallahpour, S., Golarzi, G., Fatourechian, N. (2013). Predicting Stock Price Movement Using Support Vector Machine Based on Genetic Algorithm in Tehran Stock Exchange Market. Financial Research Journal, 15(2), 269-288. [In Persian].

Fletcher, R (1987). Practical Methods of Optimization. Wiley, New York. 436.

‌Hoseinzade, E., & Haratizadeh, S. (2019). CNNpred: CNN-based stock market prediction using a diverse set of variables. Expert Systems with Applications, 129, 273–285.

‌Iqbal, Z., Ilyas, R., Shahzad, W., Mahmood, Z., & Anjum, J. (2013). Efficient machine learning techniques for stock market prediction. International Journal of Engineering Research and Applications, 3(6), 855-867.

Jena, O.P. and S. Padhy (2014).Application of GA with SVM for Stock Price Prediction in Financial Market. International Journal of Science and Research (IJSR). 3(10), 498-503.

Kimoto, T., Asakawa, K., Yoda, M., & Takeoka, M. (1990). Stock market prediction system with modular neural networks. 1990 IJCNN International Joint Conference on Neural Networks.

‌Lamba, A., & Kumar, D. (2016). Survey on KNN and its variants. International Journal of Advanced Research in Computer and Communication Engineering, 5(5), 430-435.

Li, X., Wu, P., & Wang, W. (2020). Incorporating stock prices and news sentiments for stock market prediction: A case of Hong Kong. Information Processing & Management, 102212.

Nabipour, M., Nayyeri, P., Jabani, H., Mosavi, A., Salwana, E., & S., S. (2020). Deep Learning for Stock Market Prediction. Entropy, 22(8), 840.

Pang, X., Zhou, Y., Wang, P., Lin, W., & Chang, V. (2018). An innovative neural network approach for stock market prediction. The Journal of Supercomputing.

Qiu, M., & Song, Y. (2016). Predicting the Direction of Stock Market Index Movement Using an Optimized Artificial Neural Network Model. PLOS ONE, 11(5), e0155133.

Weng, B., Ahmed, M. A., & Megahed, F. M. (2017). Stock market one-day ahead movement prediction using disparate data sources. Expert Systems with Applications, 79, 153–163.

‌Zhang, K., Zhong, G., Dong, J., Wang, S., & Wang, Y. (2019). Stock Market Prediction Based on Generative Adversarial Network. Procedia Computer Science, 147, 400–406.