چکیده توانایی پیش بینی قیمت در بازار های سرمایه همواره دارای موافقان و مخالفانی در طیف های گسترده بوده است. اما شواهد تجربی گویای آن است که قیمت در بازار های مالی تاحدی قابل پیش بینی است اما دستیابی به یک پیش بینی مناسب نیازمند آگاهی از الگوهای غیر خطی و توانایی پیش بینی حافظه بازار است. پژوهش حاضر پژوهشی کاربردی است که هدف از انجام آن مدلسازی و پیش بینی پیش بینی قیمت سهام در بازار سرمایه با استفاده از الگوریتم های غیر خطی است. برای دستیابی به این هدف از داده های شاخص کل قیمت سهام در دوره زمانی 1395 تا 1400 و بصورت ماهانه استفاده شده است. داده‌ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده‌اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته های حاصله بیان گر آن است که الگوریتم مورچگان با به حداقل رساندن خطای پیش بینی توانایی بسیار خوبی برای مدلسازی و پیش بینی قیمت در بازار سرمایه دارد همچنین این الگوریتم در بازه شش ماهه در مقایسه با الگوریتم ژنتیک سرعت بیشتری در دستیابی به قیمت بهینه دارد. Manuscript profile

چکیده عدم وجود قطعیت در روند حرکت بازار سهام پیش بینی آنرا به یک کار پرچالش در حوزه‌ی پیش‌بینی سری‌های زمانی مالی تبدیل کرده است. از سوی دیگر تحلیل داده‌های سری زمانی قیمت های سهام به علت غیر‌خطی بودن و وجود نویز زیاد آسان نیست. از اینرو هدف این پژوهش پیش بینی روند بلند‌مدت و کوتاه‌مدت بازار سرمایه است. برای دستیابی به این هدف از الگوریتم های هوش مصنوعی ذرات و ژنتیک بصورت مقایسه‌ای استفاده شده است. متغیر مورد مطالعه شاخص کل قیمت سهام در بورس اوراق بهادار تهران در دوره زمانی 1395 تا 1400 و بصورت ماهانه می‌باشد. داده‌ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده‌اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته‌های حاصله بیانگر آن است که الگوریتم ژنتیک با به حداقل رساندن خطای پیش بینی یک الگوریتم مناسب برای پیش بینی روند کوتاه مدت و بلند مدت شاخص کل قیمت نسبت به الگوریتم ذرات در دوره زمانی مورد مطالعه است. Manuscript profile