بررسی تطبیقی روش ماشین بردار پشتیبان و روش استنتاجی عصبی فازی سازگار جهت پیش بینی روند قیمت سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران
محورهای موضوعی : حسابداری مالی و حسابرسیسعید شاه آبادی 1 , زهرا هوشمندنقابی 2 * , مهرداد بختیار دهکردی 3
1 - دانشجوی دکترا مهندسی مالی ،گروه حسابداری و مدیریت، دانشکده مدیریت و حسابداری، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران
2 - استادیار حسابداری دانشگاه آزاد واحد اسلامشهر
3 - گروه حسابداری و مدیریت، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: ماشین بردار پشتیبان, سیستم استنتاجی عصبی فازی سازگار, پیش بینی روند قیمت سهام,
چکیده مقاله :
با توجه به گسترش روزافزون روش های پیش بینی در بازارهای مالی و نیز از آنجا که قیمت سهام یکی از مهمترین عوامل مؤثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند هدف این پژوهش مقایسه کارآیی روش های ماشین بردار پشتیبان و سیستم استنتاج عصبی فازی سازگار در پیش بینی روند قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد. نمونه مورد استفاده در این پژوهش 5 شرکت برتر صنعت آهن و فولاد که در بورس اوراق بهادار تهران پذیرفته شده می باشند، می باشد. به منظور شناسایی روند قیمت سهام از پنج متغیر قیمت پایانی سهام، مومنتوم سهم، نوسان قیمت سهام، مومنتوم شاخص کل اوراق بهادار تهران و نوسان شاخص کل اوراق بهادار تهران استفاده شده است پس از جمع آوری اطلاعات مورد نظر از سال ۱۳۹۰ لغایت ۱۴۰۰ با استفاده از تکنیک ماشین بردار پشتیبان و سیستم استنتاجی عصبی فازی سازگار روند قیمت سهام پیش بینی گردید و به منظور بررسی دقت پیش،بینی روند پیش بینی شده با روند قیمتی سهم در سال 1401 مقایسه گردید و میزان دقت هر کدام از روش های مورد نظر به دست آمد و در نهایت مشخص گردید در سه مورد از شرکت های مورد مطالعه سیستم استنتاجی عصبی فازی سازگار و در دو شرکت تکنیک ماشین بردار پشتیبان روند قیمت سهام را به صورت کارآمدتری پیش بینی می کند.
Considering the increasing expansion of forecasting methods in the financial markets and also because the stock price is one of the most important factors in investment decisions and its forecasting can play an important role in this field, the purpose of this research is to compare the efficiency of the methods Support vector machine and neural fuzzy inference system are compatible in predicting the trend of stock prices of companies listed in Tehran Stock Exchange. The sample used in this research is the top 5 companies in the iron and steel industry that are listed on the Tehran Stock Exchange. In order to identify the trend of the stock price, five variables of closing stock price, share momentum, stock price volatility, momentum of the total index of Tehran securities and volatility of the total index of Tehran securities have been used After collecting the desired information from 1390 to 1400, the stock price trend was predicted using the support vector machine technique and adaptive neural fuzzy inference system, and in order to check the accuracy of the forecast, the predicted trend was predicted with the share price trend in 1401. It was compared and the accuracy level of each of the desired methods was obtained and finally it was determined that in three of the studied companies, the adaptive neuro-fuzzy inference system and in two companies the support vector machine technique predicted the stock price trend more efficiently. he does.
فهرست منابع
آقاخانی، کیارش.، کریمی، عباس.، 1393. بررسی روش‌های پیش بینی قیمت سهام در بازار سرمایه و معرفی روش بهینه.، همایش ملی الکترونیکی دستاورهای نوین در علوم مهندسی و پایه
امیررضا کیقبادی، محمد احمدی، 1395. مقایسه کارایی روش¬های GARCH و ARCH در پیش بینی ارزش در معرض ریسک جهت انتخاب پرتفولیوی بهینه.
آنتا کبریایی، عبدالمجید دهقان. 1399. ارزیابی عوامل تعیین کننده مومنتوم قیمت در بازار سهام ایران. مهندسی مالی و مدیریت اوراق بهادار, 11(43), 431-450.
چگینی،احمد.،گرد، عزیز.،صالحی، علی اصغر. خالوزاده حمید, خاکی صدیق علی، 1397. پیش بینی قیمت سهام در بازار بورس تهران با استفاده از مدلهای خطی و غیر خطی.
چونی زاده، معصومه.، بزازی،امین.، سلیمانی، مجتبی.، پیش بینی قیمت سهام با سیستم استنتاج فازی مبتنی بر یک شبکه تطبیقی (ANFIS) بهبود یافته، (1397)، دومین کنفرانس ملی مهندسی و فناوری‌های ربات.
ذوقی،سهیل.، (1399)، مدیریت سرمایه گذاری و ریسک، مدرسان شریف
سعید باجلان، سعید فلاحپور، ناهید دانا، 1395. پیش بینی روند تغییرات قیمت سهم با استفاده از ماشین بردار پشتیبان وزن دهی شده و انتخاب ویژگی هیبرید به منظور ارائه استراتژی معاملاتی بهینه. راهبرد مدیریت مالی, 4(3), pp.121-148.
عادل آذر، امیر افسر، پرویز احمدی، (1386). 'مقایسه روش های کلاسیک و هوش مصنوعی در پیش بینی شاخص قیمت سهام و طراحی مدل ترکیبی'، فصلنامه مدرس علوم انسانی، 10(4)، صص.1. magiran.com/p463593
عزیزی. 1402. بررسی دقت ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک نسبت به روش‌های متداول خطی در پیش‌بینی سود هر سهم. راهبرد مدیریت مالی, 11(3), 127-154.
علی بیات، زینب باقری، 1396. پیش بینی قیمت سهام بااستفاده از الگوریتم کرم شب‌تاب (FA). دانش مالی تحلیل اوراق بهادار, 10(35), pp.135-145.
علیزاده چمازکتی, مسعود, فتح‌آبادی, مهدی, محمود زاده, محمود, قویدل دوستکوئی, صالح. (1403). 'امکان یا امتناع پیش‌بینی قیمت سهام: شواهدی از صنعت پتروپالایش', تحقیقات مالی, 26(1), pp. 81-104. doi: 10.22059/frj.2023.359810.1007467
فتوره چیان،ناصر.، گل ارضی،غلامحسین.، فلاح پور، سعید.، 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), pp. 269-288. doi: 10.22059/jfr.2013.51081
قجر،محمود.، حاصر،منوچهر.،بنداری،مهرداد.، 1398.،بازار پول و سرمایه. انتشارات هوشمند تدبیر، چاپ دهم
محمد کاشانی پور، سید حسن صالح نژاد، اسعد رضایی، داود یوسفی منش. 1392. بررسی تاثیر تغییر میزان حد نوسان قیمت سهام بر بازده سهام و حجم معاملات شرکت¬های پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه دانش حسابداری؛ 4(12): 155-174.
محمدرمضان احمدی، سید صابر درسه، محمد حسین قلم بر 1398. بررسی تأثیر معیارهای اعتماد بیش از حد مدیران ارشد بر خطر سقوط آتی قیمت سهام در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران. پژوهش¬های حسابداری مالی و حسابرسی, 11(41), pp.93-124.
مشبکی، اصغر.،کردناییج، اسدالله.، فرازمند، سجاد. 1392.پیش بینی شاخص ب.رس اوراق بهادار تهران با استفاده از انفیس،فصلنامه علنی – پژوهشی مدیریت دارایی و تامین مالی،سال اول.، شماره اول، شماره پیاپی (1). صص 27-44.
مصطفی یوسفی طزرجان، اعظم دخت صفی صمغ آبادی، عزیزالله معماریانی، (1400). 'پیش بینی قیمت سهام در بورس اوراق بهادار با استفاده از مدل ترکیبی مبتنی بر شبکه عصبی بازگشتی و سیستم استنتاج عصبی فازی سازگار و سیستم خبره فازی'، نشریه مهندسی مالی و مدیریت اوراق بهادار، 12(46)، صص.540-557. magiran.com/p2286899
مصطفی یوسفی طزرجان، اعظم دخت صفی صمغ آبادی، عزیزالله معماریانی، (1400). 'پیش بینی قیمت سهام در بورس اوراق بهادار با استفاده از مدل ترکیبی مبتنی بر شبکه عصبی بازگشتی و سیستم استنتاج عصبی فازی سازگار و سیستم خبره فازی'، نشریه مهندسی مالی و مدیریت اوراق بهادار، 12(46)، صص.540-557. magiran.com/p228689
ملکیان، سید نظام الدین.، موسوی، فاطمه السادات.، پیش بینی قیمت سهام شرکت فراورده‌های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی مطالعه موردی: قیمت سهام شرکت فرآورده‌های نفتی پارس.، فصلنامه مدلسازی اقتصادی.،سال ششم، شماره دو، پیاپی 18، تابستان 1391، صص 105-121
مهدی حقیقت شهرستانی، محسن دستگیر، افسانه سروش یار., 1401. تأثیر محافظه‌کاری شرطی و غیرشرطی بر سطح سرمایه‌گذاری آتی و ارزش سهام. پژوهش¬های حسابداری مالی و حسابرسی, 14(53),: 1-30.
یونسی، مهدی.، گودرزی، مصطفی.، پیش بینی قیمت صادراتی پسته با استفاده از سیستم عصبی فازی، شبکه عصبی و خودرگرسیونی، (1395).، سومین کنفرانس بی المللی پژوهش در علوم و تکنولوژی
Ammar, E. and Khalifa, H.A., 2003. Fuzzy portfolio optimization a quadratic programming approach. Chaos, Solitons & Fractals, 18(5), pp.1045-1054.
Cao, L.J. and Tay, F.E.H., 2003. Support vector machine with adaptive parameters in financial time series forecasting. IEEE Transactions on neural networks, 14(6), pp.1506-1518.
Grigoryan, H., 2016. A Stock Market Prediction Method Based on Support Vector Machines (SVM) and Independent Component Analysis (ICA). Database Systems Journal, 7(1).
Henrique, B.M., Sobreiro, V.A. and Kimura, H., 2018. Stock price prediction using support vector regression on daily and up to the minute prices. The Journal of finance and data science, 4(3), pp.183-201.
Joseph, E., Mishra, A. and Rabiu, I., 2019. Forecast on close stock market prediction using support vector machine (SVM). INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH TECHNOLOGY (IJERT), 8.
Kim, K.J., 2003. Financial time series forecasting using support vector machines. Neurocomputing, 55(1-2), pp.307-319.
Mishra, S. and Padhy, S., 2019. An efficient portfolio construction model using stock price predicted by support vector regression. The North American Journal of Economics and Finance, 50, p.101027.
Santos, A.A.P., da Costa Jr, N.C.A. and dos Santos Coelho, L., 2007. Computational intelligence approaches and linear models in case studies of forecasting exchange rates. Expert Systems with Applications, 33(4), pp.816-823.
Sharma, D.K., Hota, H.S. and Rababaah, A.R., 2024. Forecasting US stock price using hybrid of wavelet transforms and adaptive neuro fuzzy inference system. International Journal of System Assurance Engineering and Management, 15(2), pp.591-608.
Tripathy, Naliniprava., International Academic Conference On Management & Ecnomics Oxford, United Kingdom.,8-10 November, 2019.