مدلسازی و پیش بینی قیمت سهام با استفاده از الگوریتم فراابتکاری کلونی مورچگان
محورهای موضوعی : فصلنامه تحلیل بازار سرمایه
سید جواد کیایی
1
,
زهرا فرشادفر
2
1 - دانشکده علوم انسانی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران ایران.
2 - دانشکده علوم انسانی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران ایران.
کلید واژه: کلمات کلیدی: الگوریتم فراابتکاری, مدلسازی, داده کاوی, بازده سهام, طول پنجره بهینه,
چکیده مقاله :
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.
Abstract The ability to predict prices in the capital markets has always had supporters and opponents in wide ranges. But the empirical evidence shows that the price in the financial markets is somewhat predictable, but achieving a proper forecast requires knowledge of non-linear patterns and the ability to predict the market's memory. The current research is an applied research, the purpose of which is to model and predict stock price predictions in the capital market using non-linear algorithms. To achieve this goal, the total stock price index data has been used 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 show that the ant algorithm has a very good ability to model and predict the price in the capital market by minimizing the prediction error. Also, this algorithm is faster in achieving the optimal price in a six-month period compared to the genetic algorithm.
