بهینه ‌سازی بر روی شبکه ماشین یادگیری حداکثری (ELM) با استفاده از دو روش بهینه‌سازی ماشین یادگیری حداکثری پی‌در‌پی(OSELM) و الگوریتم پرواز پرندگان( ازدحام ذرات (PSO)) برای پیش‌بینی شاخص صنعت در بورس اوراق بهادار تهران

مهندسی مالی و مدیریت اوراق بهادار

مقاله 7، دوره 13، شماره 53، دی 1401، صفحه 109-133   

نوع مقاله: مقاله پژوهشی

نویسندگان

بنیامین حکیم زاده؛ احسان طیبی ثانی^* ؛ مهدی سعیدی کوشا

گروه آموزشی مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران ، ایران

چکیده

همواره برای پیش‌بینی در بازارهای مالی دو رویکرد سنتی و هوشمند وجود داشته که در روش سنتی این پیش‌بینی بر اساس مدل‌های آماری و در روش هوشمند بر اساس مدل‌های هوش مصنوعی است. روش‌های سنتی عمدتاً از الگوهای خطی برای مدل کردن رفتار بازار استفاده می‌کنند در حالی ‌که مزیت و برتری اصلی مدل‌های هوشمند توانایی یادگیری و مدل کردن رفتارهای غیرخطی موجود در بازار است. همیشه این موضوع مطرح بوده است که کدام روش‌ها می‌توانند رفتار بازار را بهتر مدل کنند و با وجود مدل‌های فراوانی که برای پیش‌بینی ارائه‌شده است کماکان تلاش برای ساخت مدلی که بتواند متغیرهای مؤثر بیشتری را برای پیش‌بینی مورد استفاده قرار دهد و بتواند فاکتورهایی مانند زمان، ریسک و بازده را هم در نظر بگیرد، ادامه دارد. هدف از این پژوهش ارائه مدلی برای پیش‌بینی شاخص صنعت در بورس اوراق بهادار تهران می‌باشد. این کار توسط شبکه عصبی ماشین یادگیری حداکثری و با استفاده از دو روش بهینه‌سازی ماشین یادگیری حداکثری پی‌در‌پی و الگوریتم پرواز پرندگان صورت گرفته است. نتایج نشان می‌دهد که دقت پیش‌بینی دو روش از لحاظ آماری تفاوت معناداری با یکدیگر نداشته اما ازلحاظ مدت‌زمان اجرای الگوریتم شبکه عصبی با روش بهینه‌سازی ماشین یادگیری حداکثری پی‌در‌پی عملکرد بهتری داشته است.

کلیدواژه‌ها

Neural network؛ Extreme learning machine؛ online sequential Extreme learning machine؛ Particle swarm optimization؛ Industry index

مراجع