پیش بینی شاخص بورس سهام تهران با استفاده از رویکرد سیستم استنتاج عصبی-فازی تطبیقی و الگوریتم رقابتی امپریالیستی

بازار Vstock سالهاست که یکی از تأثیرگذارترین پدیده های اقتصادی در جهان بوده است. بازیکنان اصلی در بورس سرمایه گذاری هایی هستند که همیشه به دنبال کسب بیشترین سود هستند. از آنجا که قیمت معاملات بورس سهام از مشکلات سیاسی ، اقتصادی ، اجتماعی و نوسانات بالای قیمت ها قابل تصور است ، پیش بینی بازار سهام بسیار دشوار است. راه حل اصلی برای سود بیشتر در بازار تصمیم گیری مناسب در مورد خرید و فروش سهام مناسب در زمان مناسب است. بنابراین ، پیش بینی مهمترین الزامات برای معامله گران است. من این تحقیق ، یک الگوریتم ترکیبی جدید ارائه شده است که از الگوریتم رقابتی امپریالیستی به عنوان یک روش انتخاب ویژگی و سیستم استنتاج عصبی تطبیقی فازی به عنوان یک تابع پیش بینی استفاده می کند. این رویکرد از 63 ویژگی که بر بازار سهام تأثیر می گذارد ، از جمله ویژگی های اقتصادی ، ایران و سایر کشورها ، شاخص های بازار سهام ، شاخص های تجزیه و تحلیل فنی و شمعدان ژاپنی به طور روزانه در دوره از 2010-2016 استفاده می کند. شاخص سهام بورس برای روز بعد به عنوان متغیر هدف در نظر گرفته می شود. نتایج نشان می دهد که مدل ترکیبی شامل سیستم استنتاج فازی عصبی تطبیقی (ANFIS) و الگوریتم رقابتی امپریالیستی است ، بسیار مناسب است. این مدل با یک مدل ANFIS منفرد مقایسه می شود و دارای سرعت تقریب بهتر و توانایی پیش بینی STO است

کلید واژه ها

• پیش بینی بازار سهام
• الگوریتم رقابتی امپریالیستی
• سیستم استنباط فازی عصبی تطبیقی
• سری زمانی
• انتخاب ویژگی

منابع

حیdrی زaa ، b. kerdelwhئی ، ج.(1389). jebیnی bahahdhesyeshame bysthadhe ehز مerخطی آrخطی آstnehahی wherrsی cenقش حجm amamalate adder adder behbud yemleکd elکerd yemleکd elکbudشerیhah almehohشی ttحقیقat malی ، شmamareh 34 ، صص صص. 91-108.

سیننا ،مروت ، سعمهد ا.؛THEMURی AصL ، یASR.(1384). jebیnی شaخص burs evaraق behadary tharana bysthadhadhe eز شbکhe a a asصbی memصnuی. مهله برساهههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههه83-59.

صalحی ، memجtbی ، کradکtuleی ، aliheیrضa ، (1396).

مننجmی ، ، ، ، bebزarی ، em. jebیnی قیmet asghem dhahahar berahah barahadary bysthadahdhahadha atebکhe a شbکhah شbکhe asصbیhah ف فyahnathtmemehaی ژbyntیک ژbehntیک ژbehnthahtemhahahفصelnanameh eقtصardی meقdarی ، dedvhreh 6 ، شemareh 3 ، پaییز 1388 ، صص. 1-26.

هرمزی شیرکو، (1388). بررسی رابطه بین بازده غیرعادی سهام و متغیرهای کلان اقتصادی در بورس اوراق بهادار تهران . پایان نامه کارشناسی ارشد، دانشگاه آزاد واحد تبریز، دانشکده اقتصاد و مدیریت.

هیبتی، فرشاد؛ موسوی، سیدمصطفی. (1389). پیش بینی شاخص بورس سهام با استفاده از مدل سازی شبکه عصبی فازی. پژوهشنامه اقتصادی ، شماره 7 (ویژه­نامه بازار سرمایه)، صص. 72-61.

Asadi, S., Hadavandi, E., Mehmanpazir, F. and Nakhostin, M. M. (2012) Hybridization of evolutionary Levenberg-Marquardt neural networks and data pre-processing for stock market prediction, Knowledge-Based Systems . Elsevier B. V., 35(5), pp. 245 258.

Ben Naser, Samy and Ghazuani, Samir. (2007). Stock markets, Banks and economic growth Empirical Evidence from the MENA region. Research in Inteational Business anFinance , 21(2), pp. 297-315.

Göçken Mustafa, Özçalıcı Mehmet, Boru Aslı, Ayse Tugba Dosdogru. (2016). Integrating metaheuristics and Artificial Neural Networks for improved stock price prediction. Expert Systems With Applications , 44(1), pp. 320 331.

Jang J. S. (1993). ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems Man, and Cybeetics , 23(3), pp. 665 685.

Huang, Y., Capretz, L. F., & Ho, D. (2019). Neural Network Models for Stock Selection Based on Fundamental Analysis. arXiv preprint arXiv :1906. 05327

Lincy Rubell Marion G, Jessy John C. (2016). A multiple fuzzy inference systems frame work for daily stock trading with application to NADAQ stock exchange. Expert Systems with Applications, 44(1), pp. 13-22.

M. Sudhakar, J. Albert Mayan and N. Srinivasan. (2016). Intelligent Data Prediction System Using Data Mining and Neural Networks. Proceedings of the Inteational Conference on Soft Computing Systems , Advances in Intelligent Systems and Computing 398 . India 2016.

Pimenta, A., Guimaraes, F. G., Carrano, E. G., Nametala, C. A. L. and Takahashi, R. H. C. (2014) GoldMiner: A genetic programming based algorithm applied to Brazilian Stock Market, in 2014 IEEE Symposium on Computational Intelligence and Data Mining (CIDM) , pp. 397 402.

Prema, K. V., Manish Agarwal, N., Krishna, M. and Agarwal, V. (2016) Stock Market Prediction using Neuro-Genetic Model, Indian Joual of Science and Technology , 8(35), pp. 876 891.

Qiu, M., Song, Y. and Akagi, F. (2016) Application of artificial neural network for the prediction of stock market retus: The case of the Japanese stock market, Chaos, Solitons & Fractals. Elsevier Ltd , 85(3), pp. 1 7.

Vieira, S. M., Sousa, J. M. C., & Kaymak, U. (2012). Fuzzy Criteria for Feature Selection. Fuzzy Sets and Systems , 189(1), pp. 1 18.

Yung-Keun Kwon and Byung-Ro Moon. (2007). A Hybrid Neurogenetic Approach for Stock Forecasting, IEEE Transactions on Neural Networks , 18(3), pp. 851 864. Не удалось загрузить все результаты. ПовторитьПовторная попытка…