پیش‌ بینی قیمت سهام با استفاده از شبکه‌ های عصبی مصنوعی بر روی داده های محدوده ی کمترین قیمت

مهندسی مالی و مدیریت اوراق بهادار

مقاله 11، دوره 14، شماره 56، مهر 1402، صفحه 199-217   

نوع مقاله: مقاله پژوهشی

نویسندگان

بهمن اشرفی جو¹؛ ناصر فقهی فرهمند^{* 1}؛ یعقوب علوی متین²؛ کمال الدین رحمانی¹

¹گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

²گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، ایران،تبریز

چکیده

امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش‌بینی قیمت سهام میباشد. داده‌های قیمت سهام، یک سری زمانی مالی را نشان می‌دهد که پیش‌بینی روند آن‌ به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش‌بینی سری‌های زمانی مالی، شبکه عصبی پس انتشار خطا BPNN میباشد. در این مقاله از شبکه‌های عصبی براساس سه الگوریتم یادگیری مختلف لونبرگ – مارکوارت LM، گرادیان مزدوج مقیاس بندی شده SCG و منظم سازی بیزین BR برای پیش‌بینی بازار سهام براساس داده‌های محدوده ی کمترین قیمت و همچنین داده‌های 30 دقیقه‌ای شاخص بورس استفاده کرده و نتایج آن‌ها را با یکدیگر مقایسه می کنیم. هر سه الگوریتم تخمین ۹۹.۹ % را با استفاده از داده‌های محدوده ی کمترین قیمت فراهم می‌کنند. اما زمان استفاده از داده های 30 دقیقه‌ای، دقت تخمین به ترتیب به ۹۶.۲ %، ۹۷.۰ % و ۹۸.۹ % برای الگوریتم لونبرگ-مارکورات، گرادیان مزدوج مقیاس بندی شده و منظم سازی بیزین کاهش می‌یابد، در نهایت شبکه ی عصبی بهینه با روش رگرسیون مقایسه شده تا مشخص شود نتایج شبکه ی عصبی در سری های زمانی غیرخطی پیچیده، کاراتر از روشهای خطی میباشد.

کلیدواژه‌ها

شبکه‌های عصبی؛ لونبرگ - مارکوارت؛ گرادیان مزدوج مقیاس بندی شده؛ منظم سازی بیزین؛ محدوده ی کمترین قیمت؛ رگرسیون

مراجع