پیش‌ بینی قیمت سهام با استفاده از شبکه‌ های عصبی مصنوعی بر روی داده های محدوده ی کمترین قیمت

محورهای موضوعی : بورس اوراق بهادار

بهمن اشرفی جو ¹ , ناصر فقهی فرهمند ² , یعقوب علوی متین ³ , کمال الدین رحمانی ⁴

1 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
2 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
3 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، ایران،تبریز
4 - گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

تاریخ دریافت : 1401/06/21 تاریخ پذیرش : 1401/10/07 تاریخ انتشار : 1402/07/01

کلید واژه: شبکه‌های عصبی, رگرسیون, لونبرگ - مارکوارت, گرادیان مزدوج مقیاس بندی شده, منظم سازی بیزین, محدوده ی کمترین قیمت,

چکیده مقاله :

امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش‌بینی قیمت سهام میباشد. داده‌های قیمت سهام، یک سری زمانی مالی را نشان می‌دهد که پیش‌بینی روند آن‌ به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش‌بینی سری‌های زمانی مالی، شبکه عصبی پس انتشار خطا BPNN میباشد. در این مقاله از شبکه‌های عصبی براساس سه الگوریتم یادگیری مختلف لونبرگ – مارکوارت LM، گرادیان مزدوج مقیاس بندی شده SCG و منظم سازی بیزین BR برای پیش‌بینی بازار سهام براساس داده‌های محدوده ی کمترین قیمت و همچنین داده‌های 30 دقیقه‌ای شاخص بورس استفاده کرده و نتایج آن‌ها را با یکدیگر مقایسه می کنیم. هر سه الگوریتم تخمین ۹۹.۹ % را با استفاده از داده‌های محدوده ی کمترین قیمت فراهم می‌کنند. اما زمان استفاده از داده های 30 دقیقه‌ای، دقت تخمین به ترتیب به ۹۶.۲ %، ۹۷.۰ % و ۹۸.۹ % برای الگوریتم لونبرگ-مارکورات، گرادیان مزدوج مقیاس بندی شده و منظم سازی بیزین کاهش می‌یابد، در نهایت شبکه ی عصبی بهینه با روش رگرسیون مقایسه شده تا مشخص شود نتایج شبکه ی عصبی در سری های زمانی غیرخطی پیچیده، کاراتر از روشهای خطی میباشد.

چکیده انگلیسی:

Today, one of the most important challenges in the capital market is stock price prediction. Stock price data represents a financial time series whose trend is very difficult to predict due to its characteristics and dynamic nature. One of the most recent methods used in predicting financial time series is ANN with back propagation of error. In this article, artificial neural networks based on three different Levenberg-Marquardt learning algorithms, scaled conjugate gradient and Bayesian regularization were used to predict the stock market based on the data of the lowest price range as well as the 30-minute data of the stock market index and compared their results together. We compare. All three algorithms provide a 99.9% estimate using the lowest price range data. But when using 30-minute data, the estimation accuracy decreases to 96.2%, 97.0%, and 98.9% for Levenberg-Marquarat algorithm, scaled conjugate gradient, and Bayesian regularization, respectively, which compares with the results Obtained by using the data of the lowest price range, the accuracy of the prediction is significantly reduced. Finally, the optimal neural network is compared with the regression method to determine that the results of the ANN in complex nonlinear time series are more efficient than linear methods.