Designing a Hybrid Intelligent Model for Prediction of Stock Price Golden Points

Subject Areas : Journal of Investment Knowledge

Mohammad Moshari ¹ , Hosein Didehkhani ² , Kaveh Khalili Dameghani ³ , Ebrahim Abbasi ⁴

1 - Ph. D, Department of financial management, Aliabad Katoul Branch, Islamic Azad University, Aliabad Katoul, Iran
2 - Assistant Professor, Department Industrial Engineering, Aliabad Katoul Branch, Islamic Azad University, Aliabad Katoul, Iran (corresponding author)
3 - Associate Professor, Department Industrial Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran.
4 - Associate Professor, Department of financial management, Alzahra University, Tehran, Iran

Received: 2017-12-23 Accepted : 2017-09-18 Published : 2019-03-21

Keywords: financial markets, Forecasting, stocks golden points, data mining,

Abstract :

The purpose of this research is to provide an intelligent model for prediction of golden points on stock price chart as a decision support system. For conduction of this research, the data of the automotive and parts manufacturing industry during 2001 through to 2016 were used. First, the obtained results from application of different forecasting models based on data mining were compared with each other. Next, the research variables were optimized by genetic algorithm and remodeling took place. The results indicated that the golden points could be predicted with reasonable accuracy and optimization did not enhanced accuracy in all these models, yet it significantly reduced gross error.    

References:

*       امیری، بیگلری کامی، مقصود، مهدی (1393)، پیش‌بینی رفتار سهام با استفاده از مدل زنجیر مارکوف، مجله مهندسی مالی و مدیریت اوراق بهادار،شماره 20،پاییز 1393

*       بهنام پور،ناصر،حاجی زاده،ابراهیم.سمنانی،شهریار،زایری، (1392).معرفی الگوریتم های مدل رده‌بندی درختی و کاربرد آن در تعیین عوامل موثر بر ابتلاء به سرطان مری در استان گلستان.جورجانی،2-46-55.

*       تهرانی،رضا،مرادپورسعید (1391).پیش‌بینی بازده شاخص بورس اوراق بهادار با استفاده از مدلهای شبکه‌های عصبی مصنوعی شعاع پایه.مجله مهندسی مالی و مدیریت اوراق بهادار،شماره دهم،بهار 1391

*       راعی رضا (1380)،شبکه‌های عصبی،رویکردی نوین در تصمیم‌گیری‌های مدیریت،مدرس،دوره پنجم،ص 133-154،1380

*       سبزی پور،علی اکبر،بیات ورکشی،مریم (1389).ارزیابی دقت روش های شبکه عصبی مصنوعی و عصبی فازی در شبیه‌سازی تابش کل خورشیدی،مجله پژوهش فیزیک ایران،زمستان،دوره 10،شماره 4،ص 347-357

*       عباسی ابراهیم، (1394) تنظیمپارامتر اندیکاتورهای تحلیل تکنیکال با استفاده از بهینه‌سازی چند هدفه گروه ذرات و سیستم استنتاج فازی-عصبی،فصلنامه علمی پژوهشی دانش سرمایه‌گذاری سال چهارم،شماره پانزدهم،پاییز 1394

*       عباسی،ابوئی مهریزی،ابراهیم،امیر (1390)،کاربرد شبکه عصبی -فازی انطباقی در پیش‌بینی قیمت سهام شرکت ایران خودرو،مجله مهندسی مالی و مدیریت اوراق بهادار شماره هفتم،تابستان 1390

*       فلاح پور و همکاران، (1392)،پیش‌بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران،مجله علمی پژوهشی تحقیقات مالی،دوره 15،شماره 2،پاییز و زمستان 1392،ص 288-269

*       منجمی سید امیرحسین و همکاران (1388)،پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه‌های عصبی فازی و الگوریتم ژنتیک و مقایسه آن با شبکه عصبی مصنوعی،فصلنامه اقتصاد مقداری،دوره 6،شماره 3،پاییز 1388،ص 1-26.

*       مهدوی غلامحسین و محمدرضا بهمنش، (1384)،طراحی مدل پیش‌بینی قیمت سهام شرکت های سرمایه‌گذاری با استفاده از شبکه عصبی مصنوعی،فصلنامهپژوهشنامه اقتصادی،شماره 19،ص 211-233.

*       نصیر زاده،نیک­روش،فرزانه،زهرا،ارزیابی توانایی مدل های داده‌کاوی در پیش‌بینی قیمت سهام،پایان نامه کارشناسی ارشد

*       نیکو اقبال و همکاران (1393)،ارزیابی مدل های شبکه عصبی مصنوعی ایستا و پویا در پیش‌بینی قیمت سهام،فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، سال هفتم،شماره بیست و دوم تابستان 1393،ص 21-29.

*       عرب مازار یزدی،محمد و مهسا قاسمی(1388)،قیمت گذاری عرضه های اولیه:ترکیب شبکه های عصبی مصنوعی و الگوریتم ژنتیک ،بررسی های حسابداری و حسابرسی،دوره 16،ص87-102.

*       نیکو اقبال،علی اکبر نادیا گندلی علیخانی اسماعیل نادری (1393)،ارزیابی مدل های شبکه عصبی مصنوعی ایستا و پویا در پیش‌بینی قیمت سهام،فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار سال هفتم،شماره بیستم و دوم تابستان1393

*       Tsang,P.M.,Kwok,P.,Choy,S.O.,Kwan,R.,Ng,S.C.,Mak,j.,Koong,K.,Wong,TL.(2007)Design and implementation of NN5 for Hong Kong stock price foreecasting,Engineering Application of Artificial Intelligence 20:453-461

*       Al-Hmouz, R., Pedrycz, W., & Balamash, A. (2015). Description and prediction of time series: a general framework of granular computing. Expert Systems with Applications, 42(10), 4830-4839.‏

*       Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple classifiers for stock price direction prediction.Expert Systems with Applications, 42(20), 7046-7056.‏

*       Brochet, F., Nam, S., & Ronen, J. (2007).Accruals and the prediction of future cash flows.International Business & Economics Research Journal, 2(3), 55-82.‏

*       Brody, S., Navigli, R., &Lapata, M. (2006, July).Ensemble methods for unsupervised WSD.In Proceedings of the 21st International Conference on Computational Linguistics and the 44th annual meeting of the Association for Computational Linguistics (pp. 97-104).Association for Computational Linguistics.

*       Browne,C.H(2007).The little book of value investing (vol.5).john wiley&sons

*       Cheung, Y. W., Chinn, M. D., &Pascual, A. G. (2005). Empirical exchange rate models of the nineties: Are any fit to survive?.Journal of international money and finance, 24(7), 1150-1175.

*       Choudry,R&Grag K.(2008).A Hybrid Machin Learning System for Stock Market Forecasting.Word Academy of Science,Engineering and Technology,39.

*       De Bock, K. W., & Van den Poel, D. (2012). Reconciling performance and interpretability in customer churn prediction using ensemble learning based on generalized additive models. Expert Systems with Applications, 39(8), 6816-6826.

*       Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning.Machine learning, 3(2), 95-99.

*       Granger, C. W. J. (1991).Forecasting Stock market prices, Lessons for casters (pp. 178-179). Working paper، university of California, San Diego, Department of Economics

*       Hamel, L. H. (2011). Knowledge discovery with support vector machines (Vol. 3). John Wiley & Sons

*       Hsu, C. M. (2011).A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming.Expert Systems with Applications, 38(11), 14026-14036.

*       Huang, C. J., Yang, D. X., & Chuang, Y. T. (2008).Application of wrapper approach and composite classifier to the stock trend prediction.Expert Systems with Applications, 34(4), 2870-2878.

*       Huang, W., Nakamori, Y., & Wang, S. Y. (2005).Forecasting stock market movement direction with support vector machine.Computers & Operations Research, 32(10), 2513-2522.

*       Jog, V., & McConomy, B. J. (2003). Voluntary disclosure of management earnings forecasts in IPO prospectuses. Journal of Business Finance & Accounting, 30(1‐2), 125-168.‏

*       Kara, Y., Boyacioglu, M. A., &Baykan, Ö. K. (2011).Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange.Expert systems with Applications, 38(5), 5311-5319.

*       Kumar, M., &Thenmozhi, M. (2006). Forecasting stock index movement: A comparison of support vector machines and random forest.

*       Kumar, M., &Thenmozhi, M. (2006). Forecasting stock index movement: A comparison of support vector machines and random forest.

*       Kuo, R. J., Chen, C. H., & Hwang, Y. C. (2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network. Fuzzy sets and systems, 118(1), 21-45.‏

*       Lin, L., Cao, L., Wang, J., & Zhang, C. (2004). The applications of genetic algorithms in stock market data mining optimisation. In Conference on Data Mining, Text Mining and Their Business Application. Wessex Institute of Technology Press.‏

*       Malkiel, B. G. (2003). The efficient market hypothesis and its critics.The Journal of Economic Perspectives, 17(1), 59-82.

*       Nassim, N. T. (2007). The black swan: the impact of the highly improbable. NY: Random House.‏

*       Skabar, A., & Cloete, I. (2002).Neural networks, financial trading and the efficient markets hypothesis.Australian Computer Science Communications, 24(1), 241-249‏

*       Souto-Maior, C. D., Murcia, F. D., Borba, J. A., & da Costa, N. C. (2006).Forecasting IBOVESPA Index with Fuzzy Logic.

*       Tang, C. F., & Lean, H. H. (2007). Is the Phillips curve stable for Malaysia? New empirical evidence.Malaysian Journal of Economic Studies, 44(2), 95

*       Timmermann, A., & Granger, C. W. (2004).Efficient market hypothesis and forecasting.International Journal of forecasting, 20(1), 15-27.

*       Wallace Wanda, A. (2004). Risk assessment by internal auditors using past research on bankruptcy applying bankruptcy models.The IIA Research Foundation, Florida

*       Zhang, Z. Y., Shi, C., Zhang, S. L., & Shi, Z. Z. (2006). Stock time series forecasting using support vector machines employing analyst recommendations. Advances in Neural Networks-ISNN 2006, 452-457