چکیده:
پیش بینی تغییر قیمت سهام به عنوان یک فعالیت چالش انگیز در پیش بینی سری های زمانی مالی در نظر گرفته می شود. یک پیشبینی صحیح از تغییر قیمت سهام می تواند سود زیادی را برای سرمایه گذاران به بار آورد. با توجه به پیچیدگی دادههای بازار بورس، توسعه مدلهای کارآمد برای پیش بینی بسیار دشوار است. در این پژوهش، مدلی برای پیشبینی قیمت سهام شرکتهای بورس اوراق بهادار تهران با بکارگیری دادههای درونزا و برونزای شرکت توسط شبکههای عصبی مصنوعی (پرسپترون چندلایه) ارائه شده است. همچنین مطالعه حاضر درصدد نشان دادن توانایی قابلقبول، شبکههای عصبی مصنوعی، خصوصا شبکههای پس انتشار با الگوریتمهای توسعهیافته، به منظور پیشبینی قیمت سهام شرکتها است. علاوه بر این موضوع، با توجه به استفاده از دادههای کلان اقتصادی مثل نرخ تورم، قیمت ارز، شاخصهای کلان بورس اوراق بهادار و قیمت طلا همراه با دادههای درونی شرکت (نسبتهای مالی و اطلاعات سهام) در مدل پیشنهادی، این پژوهش نتایجی با قابلیت اتکای بیشتر نسبت به پژوهشهای مشابه، ارائه شده است. نتایج این تحقیق نشان میدهد که معماری 3 لایه با 8 نورون در لایه اول، 4 نورون در لایه دوم و 2 خروجی و معماری 2 لایه با 12 نورون در لایه اول و 2 خروجی مدلهای مناسبی می باشند.
Forecasting changes of stock price on financial markets has
been one of the biggest challenges in forecasting financial time
series. A reliable forecast of changes in stock price can be
extremely profitable to stockholders. Due to the intrinsic
complexity of financial data in stock market, developing a
practical model for forecasting fluctuations in stock price is
challenging. This paper represents a model for stock price
prediction for the firms in Tehran Stock Exchange by using
internal and external data of the firm based on artificial neural
networks (Perceptron multi - layers). This paper also
demonstrates the ability of artificial neural networks
particularly with structured back propagation patterns to predict
stock prices in firms. Furthermore by using macro - economic
data such as rate of inflation, foreign currency exchange rate,
Tehran stock exchange macro indexes and gold price besides
internal data of the firm (financial ratio and stock information)
in this model, results prove to be reliable than other similar
studies in this field. Results show that network architecture of 3
layers and 8 neurons in the first layer, 4 neurons in the second
layer and 2 output and a 2 layer architecture with 12 neuron in
the first layer and 2 output are suitable models.