چکیده:
در پیش بینی قیمت سهام، روش های گوناگونی به کار رفته است، اما هیچ کدام از آن ها نمی تواند، به تمام متغیرهای شرکت کننده در برآورد مدل قیمت سهام و اثر هر یک از آن ها و حل خطای مدل بپردازد. اکثر حوزه های پیش بینی در روش های کلاسیکی، چون ARIMA و روش های نوینی، چون شبکه های عصبی برای قیمت سهام قرار دارند. در این پژوهش به روشی دست یافته شده که حاصل ادغام رگرسیون معمولی و رگرسیون فازی به همراه بهینه سازی و نافازی سازی پارامترها با الگوریتم ژنتیک می باشد. در پایان دو روش رگرسیون معمولی و رگرسیون فازی نافازی شده با الگوریتم ژنتیک با هم مقایسه می شود.
خلاصه ماشینی:
در بررسي ديگر حجازي و همکارانش به ارائه ي مدلي ترکيبي از دو روش پيش بيني يعني مدل رگرسيون فازي و شبکه ي عصبي مصنوعي پرداخته و توانسته اند نقايص دو مدل را با هم ترکيب کنند و به نتايج بهتري دست يابند و مسايلي چون نياز به ميزان زيادي از داده ها در شبکه ي عصبي را با رگرسيون فازي که براي وضعيت داده هاي ناقص مناسب است حل کنند .
ازآن جا که در بازار سهام ابهام در تعيين قيمت واقعي و همين طور خطاي حاصل ازمدل رگرسيون وجود دارد سعي در ارائه ي مدلي است که با استفاده از آن ، قيمت 1-Moskowitz and Kim 2-Yang 3-Ko 4-Chen and Wang سهام پيش بيني شود.
در روش مورد نظر، ما با بهينه سازي و يافتن ضرايب مدل رگرسيون فازي و سپس نافازي سازي آن با الگوريتم ژنتيک با استفاده از ضرايب مرکزي ناشي از برآورد رگرسيون معمولي به پيش بيني قيمت سهام پرداخته ايم .
نافازي سازي رگرسيون فازي با الگوريتم ژنتيک با توجه به نتايجي که از رگرسيون آماري به دست خواهد آمد و اثبات رابطه بين متغيرهاي مورد مطالعه مي توان در پژوهش حاضر از رگرسيون خطي با ضرايب فازي به منظور مدل بندي تابع عوامل مؤثر بر قيمت سهام استفاده شود.
(به تصویر صفحه مراجعه شود) (به تصویر صفحه مراجعه شود) با توجه به تابع بالا و با در نظر گرفتن سطح پهناي فازي مناسب با IC خوب به کمينه کردن آن پرداخته و اين روش را هم با استفاده از الگوريتم ژنتيک انجام مي دهيم تا ضرايب مرکزي بهتري نسبت به مدل فازي قبلي که حاصل از رگرسيون معمولي بود، به دست آيد.