مدل فازی عصبی با ترکیب الگوریتم ژنتیک جهت پیش بینی قیمت سهام در صنعت خودرو در بورس اوراق بهادار تهران

محورهای موضوعی : مهندسی مالی

احسان ساده ¹ (گروه مدیریت ، واحد ساوه ، دانشگاه آزاد اسلامی ، ساوه ، ایران)
رضا احتشامی راثی ² (گروه مدیریت صنعتی ، واحد قزوین ، دانشگاه آزاد اسلامی ، قزوین ، ایران)
علی شیدایی نرمیقی ³ (گروه مدیریت صنعتی ، واحد علوم و تحقیقات ، دانشگاه آزاد اسلامی ، تهران ، ایران)

تاریخ دریافت : 1396/02/29 تاریخ پذیرش : 1396/06/17 تاریخ انتشار : 1396/10/01

کلید واژه: منطق فازی, شبکه های عصبی مصنوعی, الگوریتم های ژنتیکی, شاخص های فنی و بنیادی,

چکیده مقاله :

تعیین زمان بهینه و قیمت مناسب خرید و فروش سهام نقش بسزایی در تصمیمات سرمایه‌گذاری در بازار سرمایه و سود و زیان سرمایه‌گذار دارند. می‌توان از سیستم‌های هوشمند غیرخطی همچون شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک برای پیش‌بینی تغییرات قیمت سهام استفاده نمود. در این مقاله به طراحی و ارائه یک مدل پیش‌بینی قیمت سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی به‌عنوان ورودی‌های مدل استفاده می‌شود. خروجی‌های حاصل از شبکه نشان می دهد میزان خطای پیش‌بینی هر دو دسته از ورودی های بنیادی و فنی تا حد قابل قبولی پایین است و این سیستم‌ها از توانایی لازم برای پیش‌بینی قیمت روزانه سهام برخوردار می‌باشند. برای ارزیابی دقت مدل، آزمون من ویتنی انجام گردید که با توجه به ورودی‌های مشخص شده برای دو حالت بنیادی و فنی، مشاهده گردید که تقریباً تفاوت معناداری بین نتایج پیش‌بینی قیمت در این دو روش وجود ندارد. هر دو روش بنیادی و فنی به شرط آنکه حداقل یکی از ورودی‌های آنها وابستگی خطی با قیمت داشته باشد، قادر به پیش‌بینی قیمت روز آتی با ضریب خطای نسبتاً قابل قبولی خواهند بود. همچنین در خصوص سهامی که میزان نوسانات قیمتی آن زیاد است، استفاده از رویکرد شبکه عصبی منجر به افزایش سطح خطای پیش‌بینی خواهد گردید و توصیه می‌شود از این روش برای پیش‌بینی قیمت سهام پرنوسان استفاده نشود.

چکیده انگلیسی:

Selection of appropriate time and price in trading stocks has an important role in investment decisions on profit and loss of investors in capital markets. Nonlinear intelligent systems, such as artificial neural networks, fuzzy- neural networks and genetic algorithms, would be used to forecast stock prices motions. In this article,a model of stock prices motions has been designed using Adaptive Neuro- Fuzzy Inference System (ANFIS)integrated with genetic algorithm, in which two different groups of fundamental and technical variables have been employed as model inputs. According to Model outputs,the rate of forecasting errors in both groups of inputs is not significant and these systems are able to forecast daily stock prices. The Mann-Whitney test has been used to measure the accuracy of models and it was found that there is no significant difference between results of prices forecasted in both methods. Both methods are able to forecast next day price with an insignificant error provided that at least one of the inputs in both methods has a linear dependence with price, .  Also, results show that  these systems do not work properly to forecast prices of high volatility stocks