Comparative application of particle algorithm and genetic algorithm in predicting long-term and short-term trend of stock returns

Subject Areas : Financial Economics

javad kiae ¹ , zahra farshadfar ²

1 - Human Science Faculty West Tehran Branch Islamic Azad University Tehran Iran
2 - Human Science Faculty, West Tehran Branch, Islamic Azad University, Tehran, Iran.

Received: 2023-10-10 Accepted : 2024-07-08 Published : 2024-09-11

Keywords: Keywords: particle algorithm, genetic algorithm, data leveling, machine learning, artificial intelligence,

Abstract :

Abstract The lack of certainty in the movement of the stock market has made forecasting a challenging task in the field of financial time series forecasting. On the other hand, it is not easy to analyze the time series data of stock prices due to non-linearity and high noise. Therefore, the aim of this research is to predict the long-term and short-term trend of the capital market. To achieve this goal, artificial intelligence algorithms of particles and genetics have been used in a comparative manner. The studied variable is the total stock price index in Tehran Stock Exchange in the period of 2016 to 2021 and on a monthly basis. The data have been reviewed after collection using the smoothing method for holidays, and in order to increase the accuracy of the models, the optimal window length of each algorithm has been calculated. The findings indicate that the genetic algorithm by minimizing the prediction error is a suitable algorithm for predicting the short-term and long-term trend of the total price index compared to the particle algorithm in the studied time period.

References:

فهرست منابع
امام وردی، قدرت اله، صفرزاده بیجاربنه، سمانه. (1394). ازمون اشوبی و غیر خطی بودن شاخص قیمت سهام در بورس تهران. اقتصاد مالی، 9 (33)،55 – 74.
بابانژاد باقری، سیده مریم، پورآقاجان، عباسعلی، عباسیان، محمد مهدی. (1402). پیش ‏بینی ارزش شرکت مبتنی بر روش‏های یادگیری عمیق. فصلنامه اقتصاد مالی، 17(64)، 291-318.
رجبی، رضا، حاجی یخچالی، سیامک. (1401). بهینه سازی جریان نقدینگی سبد پروژه با درنظر گرفتن شاخص های بازار با استفاده از الگوریتم های ژنتیک و ازدحام ذرات. مهندسی سازه و ساخت، 9(9)، 103-120.
علی بابایی، غزاله، خان محمدی، محمد حامد. (1402). ارائه مدلی به منظور پیش بینی ورشکستگی شرکت ها با استفاده از مکانیزم های حاکمیت شرکتی و نسبت های مالی. دانش سرمایه‌گذاری، 12(48), 67-98.
رنجبر ناوی، رستم، ارشدی، علی، چناری، حسن. (1400). پیش بینی شاخص کل قیمت سهام با استفاده از الگوی خاکستری، بورس اوراق بهادار تهران،14 (53)، 115- 137.
مصطفائی درمیان، سبحان، دعائی، میثم. (1400). ارائه رویکردی مبتنی بر بهینه سازی تصادفی به منظور حل مساله انتخاب سبد سهام در بازار سرمایه ایران با استفاده از الگوریتم های فراابتکاری. نظریه های کاربردی اقتصاد، 8 (4 )، 253-284.
نور احمدی، مرضیه، صادقی، حجت الله. (1402). کاربرد شبکه‌های فیلترشده برمبنای آستانه در انتخاب سبد سهام و ارزیابی عملکرد آن. فصلنامه اقتصاد مالی، 17(64)، 1-26.
مرادی، فریدون، یعقوب نژاد، احمد، جهانشاد، آزیتا، (1402). کاربرد الگوریتم های فراابتکاری در پیش بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی درون شرکتی و اقتصادی (الگوریتم های بهینه سازی مـلخ و کلونی مورچگان). فصلنامه اقتصاد مالی ،17(64)، 71-104.
مهرانی، ساسان، رحیمی پور، اکبر. (1401). پیش بینی احتمال تجدید ارائه صورتهای مالی با استفاده از مدل بنیش و بهبود مدل از طریق رگرسیون لاجیت و الگوریتم ژنتیک. نشریه پژوهش های حسابداری مالی، 14(2) ، 91-.116
یوخنه القیانی، ماریام، بحری ثالث، جلال، جبارزاده کنگلوئی، سعید، زواری رضایی، اکبر. (1400). تبیین گزارشگری مالی-مالیاتی متقلبانه شرکت ها: رویکرد ترکیبی داده کاوی کلاسیک ANFIS و الگوریتم های فراابتکاری. مطالعات تجربی حسابداری مالی، 18 (71)، 89-111.
Abraham R, Samad ME, Bakhach AM, El-Chaarani, H., Sardouk, A., Nemar, SE., Jaber, D., (2022). Forecasting a Stock Trend Using Genetic Algorithm and Random Forest. Journal of Risk and Financial Management.;15(5):188.
https://doi.org/10.3390/jrfm15050188
Bollerslev, T., Marrone, J., Xu, L., Zhou, H. (2014). Stock return predictability and variance risk premia: Statistical inference and international evidence. Journal of Financial and Quantitative Analysis, 49 (03), 633–661.
Chandar, S.K. (2019). Stock market prediction using subtractive clustering for a neuro fuzzy hybrid approach. Cluster Comput, 22 (6), 13159–13166.
Duy Dao, Son, Abhary, Kazem, Marian, Romeo. (2017). An innovative framework for designing genetic algorithm structures, Expert Systems with Applications, 90(30),196-208.
Farshadfar, Z., Prokopczuk, M., Nonlinear Model Improves Stock Return Out of Sample
Forecasting (Case Study: United State Stock Market), (2019). International Journal of Finance and Managerial Accounting, 3(12), 1-13.
Farshadfar, Z., Prokopczuk, M., (2019). Improving Stock Return Forecasting by Deep Learning Algorithm, Advances in mathematical finance& applications, 4 (3), 1-13.
DOI: 10.22034/amfa.2019.584494.1173
Ge lliu, Wenping Ma (2022). A quantum artificial neural network for stock closing price prediction. Information Sciences, Vol 598, Pages 75-85.
Jasemi, M., Kimiagari, A., Memariani, A. (2011). A conceptual model for portfolio management sensitive to mass psychology of market. International Journal of Industrial Engineering Theory Application and Practice, 18 (1), 1–15.
Kumar, G., Singh, U.P, Jain, S. (2022). An adaptive particle swarm optimization-based hybrid long short-term memory model for stock price time series forecasting. Soft Comput 26, 12115–12135.
https://doi.org/10.1007/s00500-022-07451-8
Phan, D., Sharma, S., Narayan, P. (2015). Stock return forecasting: Some new evidence. International Review of Financial Analysis, 40, 38–51. E.
Sharma, D.K., Hota, H.S., Brown, K. (2022). Integration of genetic algorithm with artificial neural network for stock market forecasting. International journal of system, 13, 828–841. https://doi.