پیش بینی بازده بازار سرمایه با استفاده از الگوی یادگیری الگوریتم لورنبرگ مارکوات, گرادیان نزولی و الگوی آریما (ARIMA)

مهندسی مالی و مدیریت اوراق بهادار

مقاله 17، دوره 11، شماره 44 - شماره پیاپی 3، مهر 1399، صفحه 372-397   

نوع مقاله: مقاله پژوهشی

نویسندگان

مهدی اشعریون قمی زاده¹؛ محمد محمودی^{* 2}

¹گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران

²گروه حسابداری، واحد فیروزکوه, دانشگاه آزاد اسلامی، فیروزکوه, ایران

چکیده

پژوهش حاضر بر اساس ارزیابی الگوی یادگیری الگوریتم لورنبرگ مارکوات، گرادیان نزولی و الگوی آریما به مقایسه و توانایی پیش‌بینی کنندگی در بازار سرمایه می‌پردازد. بدین منظور داده‌های بازار در سال‌های 1394 تا 1397 مورد استفاده قرار گرفت و بیش از 75 درصد از این داده‌ها تا قبل از سال 1397 به عنوان داده‌های آموزشی استفاده شد و داده‌های یک سال پایانی نیز به عنوان داده‌های آزمایشی مورد استفاده قرار گرفته شده است. نتایج تحقیق نشان داده‌اند، شبکه‌های عصبی مصنوعی ظرفیت بالایی برای پیش‌بینی قیمت دارند. مقایسه نتایج و عملکرد شبکه‌های عصبی و الگوی آریما (ARIMA) حاکی از آن است که شبکه عصبی قدرت پیش‌بینی بالاتری در مقایسه با الگوی خطی آریما (ARIMA) دارد، همچنین مقایسه عملکرد و دقت پیش‌بینی دو نوع شبکه عصبی با الگوریتم یادگیری لونبرگ مارکوارت و الگوریتم یادگیری گرادیان نزولی نشان داد که استفاده از الگوریتم یادگیری لونبرگ مارکورات توانسته است دقت پیش‌بینی شبکه عصبی را افزایش داده و خطای آن را کاهش دهد، بنابراین بر پایه پژوهش انجام شده می‌توان چنین نتیجه گرفت که الگوریتم یادگیری لونبرگ مارکوارت قدرت پیش‌بینی شبکه عصبی را بهبود می‌بخشد.

کلیدواژه‌ها

پیش بینی بازده بازار سرمایه؛ الگوریتم لورنبرگ مارکوات؛ گرادیان نزولی و الگوی آریما (ARIMA)

مراجع

 

 

1. بهرامی، آسو و صادق همه‌خانی.(1395). استفاده از شبکه عصبی برای پیش‌بینی روند قیمت سهام، فصلنامه مدیریت حسابداری، دوره 2، شماره سوم، صص 322-301.
2. راعی رضا؛ بت شکن محمود (1379)، پیش بینی قیمت سهام با استفاده از شبکه عصبی - فازی و مقایسه آن با الگوهای خطی پیش بینی، پایان نامه دکتری، دانشکده مدیریت، دانشگاه تهران.
3. صفا، مژگان و پناهیات، حسین. (1398)، "اولویت بندی عوامل پیش بینی کننده P/E در بورس اوراق بهادار تهران با استفاده از الگوریتم فرا ابتکاری هارمونی سرچ(HS)"، دانش سرمایه‌گذاری، دوره 8، شماره 29، بهار، صص 67-82.
4. فلاح­پور، سعید و پورریکنده جوادعلی.(1393).پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران.مقاله 2، دوره 2، شماره 4 - شماره پیاپی 7، زمستان 1393، صفحه 15-31
5. منجمی ،سید امیر حسین ؛ابزری،مهدی ورعیتی شوازی، علیرضا(1388) ،پیش بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه ی عصبی فازی والگوریتمهای ژنتیک و مقایسه‌ی آن با شبکه ی عصبی مصنوعی ،فصلنامه اقتصاد مقداری (بررسیهای اقتصادی سابق)، دوره 6، شماره3.
6. مهری نمک آورانی امید و احتشام راثی رضا (1398) "پیش بینی منابع مالی بانک با استفاده از مدل خطی (ARIMA) و غیرخطی شبکه های عصبی مصنوعی فازی"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره 10، شماره 41، زمستان، صفحه 1-478.
7. میر علوی سید حسین و پورزمانی زهرا (1398) ، " ارائه مدلی جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری و شبکه‌های عصبی"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره و شماره: دوره 10، شماره 40، پاییز، صفحه 1-414.
8. زمردیان غلامرضا، کاشانی تبار شهرزاد و مانا خاکساریان (1398) " استفاده از شبکه های عصبی موجکی به منظورتعیین و ارزیابی تاثیرات ریسک سیستمایک بر بازده مالی سهام"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره و شماره: دوره 10، شماره 39، تابستان، صفحه 1-397.
9. نمازی، محمد و محمد مهدی کیامهر، (1386)، " پیش‌بینی بازده روزانه سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی"، تحقیقات مالی، شماره 24، ص 115-135.
10. Ling-Jing Kao, Chih-ChouChiu, Chi-JieLu, Jung-LiYang(2013). Integration of nonlinear independent component analysis and support vector regression for stock price forecasting, Neurocomputing 99534–542.
11. Liu, L. and Wang, W. (2012). Exchange Rates Forecastiing with Least Squares SVM. In ternational Conference on Computer Science and Software Engineering.
12. Lu Xi, Hou Muzhou, Moon Ho Lee, Jun Li, Duan Wei, Han Hai, Yalin Wu(2014). A new constructive neural network method for noise processing andits application on stock market prediction, Applied Soft Computing (15) 57–66.
13. Patel, Jigar. Shah, Sahil. Thakkar, Priyank. Kotecha, K.(2015). Predicting stock market index using fusion of machine learning techniques. Expert Systems with Applications Vo 42, Issue 4, Pp 2162-2172.
14. Ranjeeta Bisoi, P.K. Dash(2014). A hybrid evolutionary dynamic neural network for stock market trendanalysis and prediction using unscented Kalman filter, Applied Soft Computing (19) 41–56.
15. Ticknor, Jonathan L, (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications Vol 40, Iss 14, , Pp 5501-5506.