چکیده:
هدف پژوهش حاضر مقایسه پیشبینی شاخص سهام با استفاده از مدلهای ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوطترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتمهای فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیشبینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیشبینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیشبینی ارزیابی شده است. نتایج نشان میدهد دقت پیشبینی مدلهای فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیشبینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.
خلاصه ماشینی:
جهت رفع این نقیصه، در پژوهش حاضر همانند گوچن 3 و همکاران (2016) از دو روش هیبریدی 4 برای انتخاب متغیرهای ورودی بهینه و تعداد Artificial Neural Network Neurons Göçken Hybrid بهینه نرونهای لایهی پنهان استفاده شده است.
در این پژوهش با استفاده از نماگرهای تکنیکی 5 بازار سهام ایران و مدلهای شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی به پیشبینی شاخص قیمت سهام پرداخته شده است.
با استفاده از این دو مدل، مربوطترین (بهینهترین) متغیرهای ورودی (نماگرهای تکنیکی) تعیین میشود؛ علاوه بر این، به صورت همزمان مناسبترین تعداد نرون لایهی پنهان شبکهی عصبی مصنوعی به دست میآید؛سپس دو مدل هیبریدی مذکور با مدل شبکهی عصبی عادی و نیز با یکدیگر از حیث معیارهای خطای آماری مقایسه شده و مدل حائز بالاترین دقت پیشبینی مشخص میشود.
در این پژوهش، برای نخستین بار در بورس اوراق بهادار تهران از جستجوی هارمونی برای انتخاب متغیرهای ورودی بهینه و تعداد بهینه نرونهای لایهی پنهان شبکه عصبی مصنوعی و از الگوریتم ژنتیک برای تعیین تعداد نرونهای بهینه لایه پنهان شبکه عصبی مصنوعی استفاده شده است.
Wong Mean Absolute Error Root-Mean-Square Error Mean Absolute Percent Error Laboissiere, Fernandes and Lage گوچن و همکاران (2016) با استفاده از نماگرهای تحلیل تکنیکی و شبکهی عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی به پیشبینی شاخص قیمت بازار سهام ترکیه پرداختهاند.
وجه تمایز پژوهش حاضر، انتخاب مربوطترین متغیرهای ورودی و تعیین تعداد نرونهای لایهی پنهان با تغییر ساختار شبکهی عصبی مصنوعی از طریق روشهای ابتکاری مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی است که برای نخستین بار در بورس اوراق بهادار تهران انجام شده است.