ارائه راهکار برای پیش بینی قیمت سهام به کمک تلفیق روشهای تکامل تفاضلی و جنگل تصادفی
محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسی
1 - گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: جنگل تصادفی, تکامل تفاضلی, سری زمانی, یادگیری ماشین,
چکیده مقاله :
پیش بینی قیمت سهام یک کار پیچیده است که برای قرن ها سرمایه گذاران و تحلیلگران مالی را مجذوب خود کرده است. با افزایش هوش مصنوعی و یادگیری ماشینی، محققان مدل‌های مختلفی را برای پیش‌بینی قیمت سهام، استفاده از داده‌های تاریخی و روند بازار توسعه داده‌اند. هدف این مدل‌ها شناسایی الگوها و همبستگی‌های بین شاخص‌های اقتصادی، اخبار بازار و قیمت سهام برای پیش‌بینی دقیق است. با وجود اینکه در زمینهی پیش بینی قیمت سهام، تحقیقات گستردهای صورت گرفته، ولی با این حال با افزایش استفاده از فناوریهای نوین ضرروت انجام این فعالیتها همچنان پابرجاست، در این مقاله روشی مبتنی بر تلفیق روشهای تکامل تفاضلی و جنگل تصادفی برای پیش بینی قیمت سهام ارائه شده است. در روش پیشنهادی جنگل تصادفی می تواند به طور موثر قیمت های بازار سهام را با مدیریت و بررسی داده ها پیش بینی کند و روش تکامل تفاضلی با انتخاب بهترین مقادیر برای پارامتر های جنگل تصادفی به بهبود دقت پیش بینی های بازار سهام کمک می کند. نتایج حاصل از پیاده سازی این روش بر روی داده های شرکت AMD بیانگر این است که تا حدود میانگین 74% نسبت به روشهای جنگل تصادفی، شبکه عصبی و رگرسیون خطی دارای کاهش خطای آموزشی و همچنین تا حدود میانگین 55% نسبت به روشهای ذکر شده دارای کاهش خطای تست بوده است. این موضوع برتری و موثر بودن روش مورد نظر نسبت به راهکارهایی مقایسه شده را نشان می دهد.
Predicting stock prices is a complex task that has fascinated investors and financial analysts for centuries. With the rise of artificial intelligence and machine learning, researchers have developed various models to forecast stock prices, leveraging historical data and market trends. These models aim to identify patterns and correlations between economic indicators, market news, and stock prices to make accurate predictions. Although extensive research has been done in the field of stock price forecasting, but with the increase in the use of new technologies, it is still necessary to carry out these activities. In this paper, a method based on the integration of differential evolution and random forest are presented for stock price prediction. In the proposed method, random forest can effectively predict stock market prices by reviewing data, and the differential evolution method helps to improve the accuracy of stock market forecasts by choosing the best values for random forest parameters. The results of the implementation of this method on the data of AMD show that up to an average of 74% compared to the methods of random forest, neural network and linear regression with a reduction in training error and also up to an average of 55% compared to the method The mentioned ones have reduced the test error. This issue shows the superiority and effectiveness of the proposed method compared to the compared solutions.
B.M. Blau, "Income inequality, poverty, and the liquidity of stock markets," Journal of Development Economics, vol. 130, pp.113–126, 2017.
G. Kumar, J. Sanjeev, S.P. Uday, "Stock market forecasting using computational intelligence: A survey," Archives of Computational Methods in Engineering, 1-33, 2020.
M. Obthong, T. Nongnuch J. Watthanasak, W. Gary, "A survey on machine learning for stock price prediction: algorithms and techniques," 63-71, 2020.
N. Forouzanmanesh, Stock price prediction using expert opinion and fuzzy-neural system, Master's thesis, University of Qom, Seattle, 2016. [Persian]
T.B. Shahi, S. Ashish, N. Arjun, W. Guo, "Stock price forecasting with deep learning: A comparative study," Mathematics, vol. 8, no. 9, p. 1441, 2020.
S.S. Roy, C. Rohan, C.L. Kun, S. Concetto, M. Behnam, "Random forest, gradient boosted machines and deep neural network for stock price forecasting: a comparative analysis on South Korean companies," International Journal of Ad Hoc and Ubiquitous Computing, vol. 33, no. 1, 62-71, 2020.
J. Sen, M. Sidra, "Accurate stock price forecasting using robust and optimized deep learning models, " arXiv preprint arXiv:2103.15096, 2021.
A. Kazemi, S. Ariaie, M. Kazemi, H. Talebi, “Predicting stock returns using data mining methods (case study of Tehran Stock Exchange),” The fourth international industrial management conference, Yazd, Iran, 1398, https://civilica.com/doc/938009. [Persian]
A. Delshad, R. Tehrani, “Investigating the impact of management characteristics on the value and volume of stock transactions; With an emphasis on
data mining methods. Knowledge of financial accounting,” Knowledge of financial accounting, vol. 6, no. 9, pp. 29-60, 2019. [Persian] M. Moshari, H. Didhkhani, K. Kh. Damghani, E. Abbasi, “A combined intelligent model to predict the golden points of stock prices,” Investment
knowledge, vol. 8, no 29, 2019. [Persian] A. Daie, O. M. Ebadati, B. Keyvan, “Application of web mining in forecasting the price direction of chemical products group in the stock exchange,”
Information and communication technology of Iran, vol. 11, no. 39-40, pp. 19-48, 2019. [Persian] J. Zhang, T. Yu-Fan, C. Wei, "Support vector regression with modified firefly algorithm for stock price forecasting," Applied Intelligence, vol. 49, no. 5, pp.
1658-1674, 2019. Z. Yu, Q. Lu, C. Yunjing, D.P. Milan, "Stock price forecasting based on LLE-BP neural network model," Physica A: Statistical Mechanics and its Applications, vol. 553, p. 124197, 2020.
J. Cao, J. Wang, "Stock price forecasting model based on modified convolution neural network and financial time series analysis," International Journal of Communication Systems, vol. 32, no. 12, p. e3987, 2019.
B.K. Gupta, K.M. Manas, H. Sarbeswara, "Survey on Stock Price Forecasting Using Regression Analysis," In Intelligent and Cloud Computing, pp. 147-156, 2021.