چکیده:
یکی از گزینههای موجود جهت سرمایه گذاری نقدینگی، بورس و اوراق بهادار میباشد. با توجه به ارتباطات غیرخطی موجود میان متغیرهای موثر بر قیمت سهام، شبکه های عصبی مصنوعی یکی از مناسب ترین رویکردهای موجود جهت پیشبینی قیمت سهام می باشند. در این مقاله سعی شده تا از طریق ترکیب نگاشتهای آشوبی و الگوریتم رقابت استعماری، زاویه حرکتی مستعمرات به سمت استعمارگر اصلاح شده و به این ترتیب احتمال قرارگیری در دام نقطه بهینه محلی تا حد ممکن کاهش یابد. هدف این مقاله معرفی و مقایسه عملکرد رویکرد پیشنهادی با سایر الگوریتمهای بهینهسازی جستجوی پیشین میباشد. از اینرو با استفاده از اطلاعات قیمتی روزانه سهام شرکت ایران خودرو بین سالهای 1389 تا 1395 به آموزش شبکه عصبی با الگوریتمهای بهینهسازی مختلف پرداختیم. جهت ارزیابی میزان عملکرد رویکردها، از سه دیدگاه: میزان دقت پیشبینی(آمارههای اندازهگیری خطاR2,RMSE)، میزان حافظه مصرفی و زمان اجرایی استفاده شد، نتایج حاکی از آن است که رویکرد پیشنهادی از عملکرد بهتری نسبت به سایر رویکردهای پیشین برخوردار میباشد.
Stock market is one of the options available to invest in liquidity. Investors in this area used a variety of approaches to predict stock prices. But due to the nonlinear relationship between variables affecting stock prices، Artificial Neural Networks are one of the most suitable approaches for this work. These networks، through different search optimization algorithms، try to identify the relationships between these variables. The higher the algorithms used، the higher the efficiency of the algorithms، the more accurate the identification of the relationships between the variables. In this paper، an attempt has been made to combine chaotic maps and colonial competition algorithms with the reform movement angle to the colonial colonies so that we can deal with the possibility of being trapped in local optimum to reduce as much as possible. Therefore، using this approach، it is tried to predict the stock price of Iran Khodro Company. To evaluate the performance of the proposed approach to other conventional approaches of neural network education، three perspectives: the degree of accuracy of prediction، the amount of memory used and the time of execution were used. The results show that the proposed approach has a better performance than other approaches.
خلاصه ماشینی:
/ / راهبرد مديريت مالي دانشگاه الزهرا (س ) دانشکده علوم اجتماعي و اقتصادي سال پنجم ، شماره هجدهم / پاييز ١٣٩٦ تاريخ دريافت :١٣٩٦/٠٣/٢٠ صص ٤٤-٢٧ تاريخ تصويب : ١٣٩٦/٠٦/١٢ پيش بيني قيمت سهام با رويکرد ترکيبي شبکه عصبي مصنوعي و الگوريتم رقابت استعماري مبتني بر تئوري آشوب 1 3 سهيل احمدخان بيگي ،٢ ندا عبدالوند چکيده يکي از گزينه هاي موجود جهت سرمايه گذاري نقدينگي، بورس و اوراق بهادار ميباشد.
پژوهش هاي صورت گرفته از طريق شبکه هاي عصبي مصنوعي قالب زماني استفاده شده متغيرهاي ورودي مدل هاي ارزيابي عملکرد حوزه هاي مطالعاتي تکنيک هاي يادگيري ماشيني استفاده شده پژوهش هاي صورت گرفته MSE NMSE MAPE R2 MAE MSE MAAPEE R2 Trend MAD MSE RMSE Q MAPE BIAS R2 RMSE MAPE DA MSE MAPE RMS R2 Q Q R2 q MSE q فرضيه پژوهش با توجه به مزاياي بيان شده پيرامون رويکرد جاري و کاهش احتمال قرارگيري در دام نقطه بهينه محلي نسبت به ساير رويکردهاي پيشين ، فرض بر اين قرار ميباشد که رويکرد حاضر از توانايي بالقوه اي در پيش بيني و کاهش ميزان خطاي حاصل از برآورد نسبت به ساير رقباي هم رديف خود برخوردار است که براي تائيد اين امر از مقايسه ميزان کارايي(دقت پيش بيني ، حافظه مصرفي، زمان اجرايي) الگوريتم حاضر با ساير الگوريتم هاي مرسوم جهت آموزش شبکه عصبي استفاده شده ميگردد.
تحليل داده ها در مقاله حاضر سعي شده تا با اصلاح زاويه حرکتي مستعمرات به سمت استعمارگر از طريق نگاشت هاي آشوبي رويکردي نوين جهت پيش بيني قيمت سهام و بررسي کارايي معرفي و عملکرد آن نسبت به ساير الگوريتم هاي بهينه سازي جستجوي پيشين بررسي گردد.