چکیده:
این پژوهش با رویکرد ترکیبی، با بهکارگیری شبکه عصبی بازگشتی مبتنی بر الگوریتم کلونی زنبورعسل مصنوعی (ABC-RNN)، درصدد ارائه مدلی بهینه برای پیشبینی قیمت سهام در بورس تهران است. برای این منظور با استفاده از دادههای سهام پذیرفتهشده در بازار اول تابلوی اصلی بورس تهران که طی سالهای 1390 تا پایان سال 1394 مورد معامله قرارگرفته است، ضمن تعریف مؤلفههای تکنیکال و بنیادی متعدد، با بهکارگیری فرآیند رگرسیون-همبستگی قدمبهقدم (SRCS)، مؤلفههای مؤثر بر قیمت سهام انتخابشده و بهعنوان ورودی مدل تعریف میشود. در مرحله بعد، الگوریتم کلونی زنبورعسل مصنوعی (ABC) در یک فضای طراحی پارامتری، برای بهینه کردن وزنها و تورشهای شبکه عصبی بازگشتی بکار گرفته میشود. برای ارزیابی عملکرد مدل، از چندین معیار برای سهام شرکتهای پذیرفتهشده در بورس تهران استفاده میشود. نتایج نشاندهنده آن است که استفاده از شبکه عصبی بهینهشده با الگوریتم کلونی زنبورعسل مصنوعی، دقت قابلملاحظهای در مقایسه با سایر روشهای پیشبینی دارد.
خلاصه ماشینی:
شبکه عصبي بازگشتي مبتني بر الگوريتم کلوني زنبورعسل ، تعيين متغيرهاي مستقل –وروديهاي - مدل هيبريدي ارائه شده بسيار بااهميت است ؛ مؤلفه هاي بسياري وجود دارد که ميتواند روند قيمت سهم را نشان داده و نماينده وضعيت بنيادين سهام باشد؛ اين پژوهش متغيرهاي فني و بنيادين مختلفي را که تعيين کننده قيمت سهام هستند را برشمرده و با استفاده از مدل «انتخاب مشخصه رگرسيون قدم به قدم » (SRCS)١، مؤثرترين مؤلفه ها بر داده هاي مربوط به قيمت سهام در بورس اوراق بهادار تهران را شناسايي ميکند.
عليزاده (١٣٨٨)، طلوعي و حق دوست (١٣٨٧)، منجمي و همکاران (١٣٨٨)، برادران حسن زاده (١٣٩٤)، پورحيدري (١٣٨٩)، فلاح پور و همکاران (١٣٩٢)، زارع و همکاران (١٣٨٩)، قنبري (١٣٨٩)، فرمان آرا و همکاران (١٣٨٩)، مهرآرا (١٣٨٨)، قائمي و همکاران (١٣٨٥)، اکرمي (١٣٧٤)، احمدپور و همکاران (١٣٨٨)، ١.
در نمودار زير، قيمت هاي واقعي به همراه قيمت هاي پيش بينيشده براي بازه زماني پژوهش ، براي شاخص بازار اول بورس تهران ، با استفاده از مدل ترکيبي فرا ابتکاري شبکه عصبي بازگشتي بهينه شده با الگوريتم کلوني زنبورعسل مصنوعي نشان داده شده است : (به تصویر صفحه رجوع شود) ١٠٠٠٠ 0 شکل ٣.
(In Persian) Moghaddam, Amin, HedayatiMoghaddam, Moein, Esfandyari, Morteza (2016), Stock market index prediction using artificial neural network, Journal of Economics, Finance and Administrative Science, Volume 21, Issue 41, December.
"Modeling Stock Price Prediction Using Neural Network and Its Comparison with Mathematical Forecasting Methods", Journal of Economic Research, Volume 7, Issue 25, Spring 2007, pp.