بررسی آموزش شبکه عصبی با استفاده از الگوریتم‌های فراابتکاری به‌منظور پیش‌بینی شاخص کل در بورس ایران

محورهای موضوعی : فصلنامه تحلیل بازار سرمایه

سیداحمد میرزائی ¹ , زکیه نیکدل ² , زهرا نیکدل ³

1 - دانشگاه آزاد اسلامی واحد اسفراین، اسفراین، ایران
2 - دانشگاه آزاد اسلامی واحد نیشابور، نیشابور، ایران
3 - دانشگاه آزاد اسلامی واحد نیشابور، نیشابور، ایران

تاریخ دریافت : 1400/09/13 تاریخ پذیرش : 1400/10/24 تاریخ انتشار : 1400/09/01

کلید واژه: پیش بینی, شبکه عصبی, بازار سهام, الگوریتم های فراابتکاری,

چکیده مقاله :

پیش‌بینی و آنالیز حرکات بازار سهام موضوع بسیار مهم برای محققان، معامله گران و تحلیل گران بازار می باشد و نقش مهمی در اقتصاد امروز دارد. تنوع در سیاست هایی مانند سیاست های دولتی و سیاست های اقتصادی بر بازار سرمایه تأثیر می گذارند و باعث تغییرات قیمتی سهام می شوند. پیش‌بینی حرکات بازار به‌صورت روزانه، به دلیل غیرخطی بودن و آشوبناک بودن حرکات قیمت سهام کار بسیار مشکلی می باشد. روش های مختلفی برای پیش‌بینی در بورس وجود دارد. تکنیک های هوش مصنوعی به‌صورت گسترده برای پیش‌بینی داده های با ساختار غیرخطی و آشوبناک به کار گرفته‌شده‌اند. یکی از این تکنیک‌ها استفاده از شبکه‌های عصبی می‌باشد. درصورتی‌که شبکه عصبی به‌درستی آموزش داده شود، خطای کمتری در پیش‌بینی خواهد داشت. در این پژوهش با استفاده از ۸ الگوریتم فراابتکاری اقدام به آموزش شبکه عصبی پرسپترون چندلایه خواهیم کرد و به پیش‌بینی شاخص کل بورس تهران خواهیم پرداخت. نتایج به‌دست‌آمده از این پژوهش نشان داد که الگوریتم بهینه‌سازی گرگ خاکستری دارای کمترین خطا در آموزش شبکه عصبی دارد.

چکیده انگلیسی:

Prediction and analysis of stock market movements are an important topic for researchers, traders and have got an important role in today’s economy. Variety in policies, such as government policies and economic policies affect the stock market and cause stock price changes. The predicting stock price movement on a daily basis due to the non-linear and chaotic stock price movements is a difficult task. There are several ways for predicting in stock market. Artificial intelligence techniques have been widely used to predict data with nonlinear and chaotic structure. One of these techniques is neural network. If neural network is trained correctly, then it has minimum error in predicting. In this research, we will train the multi layer perceptron neural network with 8 meta heuristics algorithms and we predict Tehran Exchange Dividend Price Index (TEDPIX). The Results show that grey wolf optimization has the minimum error in training of neural network.