چکیده:
پیشبینی قیمت سهام در بورس اوراق بهادار از اهمیت خاصی برخوردار است، زیرا
نشاندهنده وضعیت کلی مطلوب یا نامطلوب سرمایهگذاری برای سهامداران و
سرمایهگذاران است. در میان روشهای پیشبینی، شبکههای عصبی مصنوعی و منطق فازی در
بسیاری از زمینههای کاربردی استفاده شدهاند و هر کدام آنها دارای محاسن و معایبی
هستند. این مقاله به دنبال ترکیب تئوری استدلال فازی با روش شبکههای عصبی جهت
بهبود دقت و سرعت همگرایی مدل پیشبینی است. بنابراین، یک مدل ترکیبی شبکههای عصبی
و تئوری استدلال فازی بر اساس مدل استدلال تاکاگی سوگنو در نظر گرفته شده است.
در این تحقیق، مدل شبکههای عصبی فازی پیشبینی قیمت سهام طراحی شده و از لحاظ شش
معیار ارزیابی عملکرد با روش ARIMA مقایسه شده
است، نتایج تحقیق بیانگر این حقیقت است که شبکههای عصبی فازی در تمامی شش معیار
ارزیابی عملکرد بر روش ARIMA برتری داشته است و دارای ویژگیهای منحصر بفرد همگرایی
سریع، دقت بالا، و توانایی تقریب تابع قوی هستند و برای پیشبینی شاخص قیمت سهام
مناسب میباشند.
طبقهبندی JEL: G24, G15, C45, C32.
خلاصه ماشینی:
"2. ادبیات تحقیق تحقیقات زیادی در زمینه پیشبینی قیمت سهام، شاخص قیمت سهام، بازده سرمایهگذاری و ریسک سهام به وسیله شبکههای عصبی مصنوعی تا کنون انجام گرفته است که میتوان به تحقیقهای Wang و دیگران در پیشبینی روند بازار سهام، Wittkemper و Steiner در پیشبینی ریسک سیستماتیک سهام، Desai و Bharati در پیشبینی بازده سهامهای بزرگ، Qi در پیشبینی بازده سهام، Leung و دیگران در پیشبینی بازده سهام، Dhar و Chou در پیشبینی درآمد و بازده اشاره نمود.
] شکل 1ـ معماری شبکه عصبی فازی در طراحی مدل شبکههای عصبی فازی، از شبکه عصبی چند لایه پیشخور (MFNN) با الگوریتم یادگیری پس انتشار خطا و سیستم استنتاج فازی ساگنو[13] با تابع ورودی "تفاوت دو تابع سیگموئید" و تابع خروجی خطی و برای غیرفازی نمودن از تابع میانگین متحرک استفاده گردید.
نمودار میزان بهبود مقدار RMSE در تکرارهای مختلف آموزش شبکههای عصبی فازی برای پیشبینی شرکتهای مورد بررسی در شکلهای (3) تا (6) نشان داده شده است.
در این تحقیق مدل پیشبینی قیمت سهام با استفاده از شبکههای عصبی فازی و روش ARIMA طراحی شده و از لحاظ معیارهای عملکرد (MSE، RMSE، NMSE، MAE، MAPE و R2) با هم مقایسه شدهاند.
نتایج تجربی این تحقیق و تحقیقات مشابه نشان دادهاند که ترکیب شبکههای عصبی مصنوعی و منطق فازی و ایجاد شبکههای عصبی فازی موفقیتآمیز بوده و باعث کاهش قابل توجه در خطای پیشبینی شده است که خصیصههای قابل توجهی در همگرایی سریع، دقت بالا و توانایی تقریب تابع قوی دارد."