Data envelopment analysis (DEA) is a methodology for measuring the relative efficiency of decision making units (DMUs) which ‎consume the same types of inputs and producing the same types of outputs. Believing that future planning and predicting the ‎efficiency are very important for DMUs, this paper first presents a new dynamic random fuzzy DEA model (DRF-DEA) with ‎common weights (using multi objective DEA approach) to predict the efficiency of DMUs under mean chance constraints and ‎expected values of the objective functions. In the initial proposed‏ ‏DRF-DEA model, the inputs and outputs are assumed to be ‎characterized by random triangular fuzzy variables with normal distribution, in which data are changing sequentially. Under this ‎assumption, the solution process is very complex. So we then convert the initial proposed DRF-DEA model to its equivalent multi-‎objective stochastic programming, in which the constraints contain the standard normal distribution functions, and the objective ‎functions are the expected values of functions of normal random variables. In order to improve in computational time, we then ‎convert the equivalent multi-objective stochastic model to one objective stochastic model with using fuzzy multiple objectives ‎programming approach. To solve it, we design a new hybrid algorithm by integrating Monte Carlo (MC) simulation and Genetic ‎Algorithm (GA). Since no benchmark is available in the literature, one practical example will be presented. The computational results ‎show that our hybrid algorithm outperforms the hybrid GA algorithm which was proposed by Qin and Liu (2010) in terms of ‎runtime and solution quality. ‎ پرونده مقاله

پیش‌بینی قیمت سهام در بورس اوراق بهادار موضوعی چالش برانگیز و جذاب است. سرمایه گذاران علاقه مندند که بتوانند سود سهام مختلف را در بازارهای مالی پیش‌بینی کنند. در این مقاله مدل ترکیبی ارائه شده است که در آن ابتدا قیمت پایانی سهام برای روز بعد بر مبنای الگوریتم سیستم استنتاج عصبی فازی سازگار (ANFIS) و شبکه عصبی بازگشتی (RNN) با استفاده از داده‌های تاریخی و شاخص‌های اندیکاتور پیش‌بینی می‌شود. سپس نتایج به همراه وضعیت شایعات بازار به سیستم خبره فازی وارد می‌شود و پیش‌بینی را بر مبنای خروجی سیستم عصبی فازی و شبکه عصبی بازگشتی به همراه وضعیت شایعات بازار، نهایی می‌کند. مدل ترکیبی ارائه شده برای پیش‌بینی قیمت داده‌های سهام شرکت فولاد مبارکه اصفهان اجرا شد. در این مطالعه برای داده‌های تحقیق از داده‌های شرکت بورس اوراق بهادار تهران مربوط به داده‌های سهام شرکت فولاد مبارکه اصفهان از 5 فروردین 1395 لغایت 29 اسفند 1398 استفاده شده است. چهار شاخص فنی در این مطالعه مورد استفاده قرار گرفته است که عبارتند از: میانگین متحرک(MA)، میانگین متحرک نمایی(EMA)، اندیکاتور قدرت نسبی(RSI)، اندیکاتور میانگین متحرک همگرایی واگرایی(MACD). از این متغیرها به عنوان ورودی سیستم عصبی فازی برای پیش‌بینی قیمت پایانی روز بعد سهام شرکت فولاد مبارکه اصفهان استفاده شده است. پرونده مقاله