پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از رویکرد ترکیبی الگوریتم های فراابتکاری، هوش مصنوعی و معادله پارامتریک موجک

محورهای موضوعی : مهندسی مالی

علیرضا سارنج ¹ , مجید قدس ² , رضا تهرانی ³

1 - استادیار، گروه حسابداری و مدیریت مالی، پردیس فارابی، دانشگاه تهران
2 - MBA، پردیس فارابی، دانشگاه تهران
3 - استادتمام، گروه مدیریت مالی و بیمه، دانشکده مدیریت، دانشگاه تهران

تاریخ دریافت : 1396/09/11 تاریخ پذیرش : 1396/10/12 تاریخ انتشار : 1397/04/01

کلید واژه: شبکه های عصبی, تبدیل موجک, الگوریتم های فراابتکاری, پیش‌بینی شاخص کل بورس اوراق بهادار,

چکیده مقاله :

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و موردتوجه محافل علمی و سرمایه‌گذاری بوده است. در سالیان گذشته مدل های گوناگونی برای پیش‌بینی با استفاده از شبکه عصبی و مدل های ترکیبی پیشنهاد شده‌اند که از مدل های سنتی عملکرد بهتری داشتند. در این پژوهش یک مدل ترکیبی از شبکه عصبی و تبدیل موجک پیشنهادشده است که از الگوریتم ژنتیک برای بهینه سازی تابع پایه تبدیل موجک با هدف حداکثر نمایی کارایی این تبدیل، استفاده‌شده است. داده های مورداستفاده برای این پژوهش داده های روزانه از تاریخ 02/02/1391 تا تاریخ 30/01/1396 است. نتایج این پژوهش نشان داد که با این روش می‌توان تابع پایه‌ای متناسب با ویژگی های ذاتی سری زمانی برای پیش‌بینی یافت که خطای پیش‌بینی در این مدل نسبت به مدل شبکه عصبی و مدل ترکیبی شبکه عصبی و تبدیل موجک کاهش یابد.

چکیده انگلیسی:

Understanding and the investigating the behavior of stock prices, has always been one of the major topics of interest to the investors and finance scholars. In recent years, various models for prediction using neural network and hybrid models have been proposed which have a better performance than the traditional models. Here a hybrid model of neural network and wavelet transform is proposed in which genetic algorithm has been used to improve the performance of wavelet transform in optimizing the wavelet function. Daily stock exchange rates of TSE from April 21, 2012 to April 19, 2017 are used to develop a prediction model. The results show that it is possible to find a wavelet basis, which will be appropriate to the intrinsic characteristics of time series for prediction and the prediction error in this model is reduced comparing to the neural network and hybrid neural network and wavelet models.