سیگنال و پردازش داده ها

Abdolrazzagh-Nezhad M ، Kherad M. پیش بینی قیمت سهام در بورس اوراق بهادار تهران با هیبریداسیون جدید سیستم استنباط فازی و الگوریتم رقابتی امپریالیستی فازی. JSDP 2022 ؛18 (4): 125-152 URL: http://jsdp. rcisp. ac. ir/article-1024-en. html

دانشگاه بوزورگبرر قنات چکیده: (1264 بازدید) < SPAN> سیگنال و پردازش داده ها

Abdolrazzagh-Nezhad M ، Kherad M. پیش بینی قیمت سهام در بورس اوراق بهادار تهران با هیبریداسیون جدید سیستم استنباط فازی و الگوریتم رقابتی امپریالیستی فازی. JSDP 2022 ؛18 (4): 125-152 URL: http://jsdp. rcisp. ac. ir/article-1024-en. html

دانشگاه بوزورگبرر قنات چکیده: (1264 بازدید) سیگنال و پردازش داده ها

Abdolrazzagh-Nezhad M ، Kherad M. پیش بینی قیمت سهام در بورس اوراق بهادار تهران با هیبریداسیون جدید سیستم استنباط فازی و الگوریتم رقابتی امپریالیستی فازی. JSDP 2022 ؛18 (4): 125-152 URL: http://jsdp. rcisp. ac. ir/article-1024-en. html

دانشگاه بوزورگبرر قنات

چکیده: (1264 بازدید)

سرمایه گذاری در بورس اوراق بهادار ، به عنوان یکی از منابع مالی ، همیشه در بین بسیاری از سرمایه گذاران مورد علاقه بوده است. امروز ، یکی از مناطقی که پیش بینی مسئله اهمیت ویژه آن است ، منطقه مالی ، به ویژه بورس اوراق بهادار است. هدف اصلی بازارها ، پیش بینی قیمت روند آینده به منظور اتخاذ یک استراتژی مناسب برای خرید یا فروش است. به طور کلی ، یک سرمایه گذار باید وضعیت آینده زمان ، مبلغ و محل دارایی های وی را به گونه ای پیش بینی کند که باعث افزایش بازده دارایی های وی شود. پیش بینی قیمت سهام یکی از چالش برانگیزترین مباحث در زمینه پیش بینی است که توجه بسیاری از محققان را به خود جلب کرده است. عوامل مختلف بازارها باعث ایجاد وضعیتی شده است که همیشه روند پویا و پیچیده ای دارند. بنابراین ، محققان مصمم هستند که به دنبال روشهای پیش بینی جدید قیمت سهام باشند که باعث کاهش بی ثباتی و پیچیدگی بازارها می شود. در حقیقت ، بیشتر مطالعات اخیر نشان داده است که بورس سهام یک سیستم غیرخطی ، پویا و غیر پارامتری است که تحت تأثیر عوامل مختلف اقتصادی قرار دارد. کاربردهای هوش مصنوعی و تکنیک های یادگیری ماشین برای شناسایی رابطه بین عوامل و مبادله قیمت سهام می تواند در هفت گروه اصلی مانند شبکه های عصبی و یادگیری عمیق ، دستگاه بردار پشتیبانی ، درخت تصمیم گیری و جنگل تصادفی ، K نزدیکترین همسایه ، رگرسیون سازماندهی شود.، شبکه های بیزی و روشهای استنتاج فازی. با توجه به روشهای پیش بینی ذکر شده ، چالش های خاص خود را دارند ، هیدریدیزاسیون الگوریتم های متا-هوریستی و روشها برای پیش بینی قیمت سهام اعمال می شود. در این مقاله ، هیبریداسیون جدید سیستم استنباط فازی و یک الگوریتم رقابتی امپریالیستی فازی اصلاح شده جدید (FICA+FIS) برای پیش بینی قیمت سهام پیشنهاد شده است. برای دستیابی به این هدف ، دو سیستم استنباط فازی برای تطابق پارامترهای ICA بر اساس سه عامل مؤثر در استراتژی جستجو و پیش بینی قیمت سهام بر اساس 10 عامل مؤثر اقتصادی طراحی شده است. مجموعه قوانین فازی نامزد موتور استنتاج توسط FICA برای FIS دوم بدست می آید و شش قانون فازی اول FIS بر اساس رفتار ICA طراحی شده است. FICA+FIS دارای 10 ورودی از متغیرهای قیمت سهام از جمله کمترین قیمت سهام ، بالاترین قیمت سهام ، قیمت سهام اولیه ، حجم معاملات ، ارزش معاملات ، اولین شاخص بازار کف معاملات ، شاخص کل قیمت بازار است. با

نرخ ارز دلار ، قیمت جهانی در هر اونس طلا ، قیمت جهانی نفت و تولید آن نیز قیمت سهام است. متغیرهای ورودی و خروجی شامل سه اهریمن زبانی مانند کم ، متوسط و زیاد با عملکردهای عضویت مثلثی است. هر کشور (عامل جستجو) از FICA حاوی اطلاعاتی در مورد کلیه قوانین فازی موتور استنتاج است که به کشور منتسب می شود و دارای 12 × عناصر R است ، جایی که R تعداد قوانین فازی است. عملکرد هدف FICA میانگین خطای مربع (MSE) برای ارزیابی قدرت هر کشور است. یک چالش از ICA ، پاپرامترهای تنظیم مناسب مانند احتمال انقلاب (PREVOLVE) ، ضریب جذب (بتا) و مستعمرات میانگین ضریب هزینه (ZETA) است که تأثیر زیادی بر کارآیی الگوریتم دارد (دقت و زمان و زماندسترسی به راه حل). این پارامترها معمولاً ثابت هستند و با توجه به مشکلات مختلف ، مقادیر مختلفی دارند و به صورت تجربی داده می شوند. در این مقاله ، پارامترها بر اساس تعداد تکرارها تنظیم می شوند که بهترین مقدار عملکرد هدف بهبود نیافته (UN) ، تعداد امپریالیست (NI) و تکرار شماره فعلی (ITER). برای این منظور ، یک FIS بر اساس شش قانون فازی طراحی شده است که UN ، NI و ITER متغیرهای ورودی آن هستند و پیشرو ، بتا و زتا متغیرهای خروجی آن هستند. برای تجزیه و تحلیل کارایی FICA+FIS به عنوان یک مطالعه موردی ، شش مجموعه داده از شش شرکت که بین سالهای 1389 تا 1394 در بورس اوراق بهادار Tehran مانند روغن پارس ، ایران Khodro ، Motogen ، Ghadir ، Tidewater و Mobarakeh فعال بودند ، جمع می شوند. اطلاعات حدود 2000 روز برای هر شرکت جمع آوری شده و داده ها به داده های آموزش و آزمایش بر اساس اعتبار سنجی متقاطع 10 برابر تقسیم می شوند. برای مقایسه عملکرد FICA+FIS ، دو گروه از روش پیش بینی قیمت سهام اجرا شد. در گروه اول ، قوانین فازی موتور FIS به پیش بینی قیمت سهام توسط پیش نویس کلاسیک الگوریتم رقابتی امپریالیستی (ICA+FIS) ، الگوریتم ژنتیکی (GA+FIS) و الگوریتم بهینه سازی نهنگ (WOA+FIS به دست می آید.) ، که برای مقایسه با FICA استفاده می شود. گروه دوم شامل روشهای پیش بینی قیمت سهام کلاسیک مانند شبکه عصبی چند لایه (NN) ، دستگاه بردار پشتیبانی (SVM) ، درخت تصمیم گیری سبد (DT-CART) ، جنگل تصادفی (RF) و رگرسیون فرآیند گاوسی (GPR) است کهبرای مقایسه با FICA+FIS استفاده می شود. نتایج تجربی نشان می دهد که اول ،

پیش نویس فازی بهبود یافته ICA بهتر از پیش نویس کلاسیک خود ، GA و WOA و دوم ، عملکرد FICA FIS بهتر از سایر الگوریتم های مورد بررسی در هر دو مرحله آموزش و آزمایش است ، اگرچه DT یک رقیب در این کشور استمرحله آموزش و RF یک رقیب در مرحله آزمون در برخی از مجموعه داده ها است.

شماره مقاله: 8

متن کامل [PDF 1986 KB] (403 بارگیری)

نوع مطالعه: قابل اجرا |موضوع: مقاله دریافت شده: 2019/06/26 |پذیرفته شده: 2021/02/2 |منتشر شده: 2022/03/21 |انتشار: 2022/03/21

منابع

1. [1] E. Stringham ، حاکمیت خصوصی: ایجاد نظم در زندگی اقتصادی و اجتماعی. انتشارات دانشگاه آکسفورد ، ایالات متحده ، 2015. [DOI: 10. 1093/ACPROF: OSO/9780199365166. 001. 0001]

2. [2] H. Vachhani و همکاران ، "تجزیه و تحلیل بازار سهام مبتنی بر یادگیری ماشین: یک بررسی کوتاه" ، در کنفرانس بین المللی فن آوری های ارتباطات و برنامه های نوآورانه داده ها ، 2019: Springer ، صص 12-26.[doi: 10. 1007/978-3-030-38040-3_2]

3. [3] V. R. Jain ، M. Gupta ، and R. M. Singh ، "تجزیه و تحلیل و پیش بینی قیمت سهام سهام شرکت های بخش مالی در Nifty50 ،" مجله بین المللی مهندسی اطلاعات و تجارت الکترونیکی ، جلد. 11 ، نه. 2 ، ص. 33 ، 2018. [doi: 10. 5815/ijieeb. 2018. 02. 02]

4. [4] T. Kim and H. Y. Kim ، "پیش بینی قیمت سهام با یک مدل Fusion LSTM-CNN ویژگی با استفاده از بازنمایی های مختلف از همان داده ها ،" PLOS One ، Vol. 14 ، نه. 2 ، 2019. [doi: 10. 1371/joual. pone. 0212320] [PMID] [PMCID]

5. [5] F. Jahantegh ، د. P. Telegraph و Safoura ، "فواصل زمانی بهینه در پیش بینی قیمت نفت توسط یک شبکه عصبی پویا اصلاح شده توسط الگوریتم ژنتیکی" ، مجله سه ماهه مطالعات اقتصاد انرژی ، جلد. 14 ، نه. 56 ، صص 115-143 ، 1397.

6. [6] Y. Rabbani ، M. and N. Chashmi ، "پیش بینی سیگنال معاملات سهام با استفاده از شبکه های نفتی رنگ و الگوریتم ژنتیکی (مطالعه موردی: بورس سهام تهران) ،" مجله مدیریت اجرایی ، جلد. 11 ، نه. 21 ، صص 205-227 ، 2019.

7. [7] Monajemi ، Abzari و Rayati ، "پیش بینی قیمت سهام در بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم ژنتیکی و مقایسه آن با شبکه عصبی مصنوعی ،" مجله سه ماهه اقتصاد ، جلد. 3 ، نه. 6 ، صص 1-26 ، 2010.

8. [8] P. Hájek ، V. Olej و R. Myskova ، "پیش بینی قیمت سهام با استفاده از اطلاعات احساسات در گزارش های سالانه: یک شبکه عصبی و رویکرد رگرسیون بردار پشتیبانی ،" معاملات WSEAS در تجارت و اقتصاد ، جلد. 10 ، نه. 4 ، صص 293-305 ، 2013.

9. [9] E. Hadavandi ، H. Shavandi ، and A. Ghanbari ، "ادغام سیستم های فازی ژنتیکی و شبکه های عصبی مصنوعی برای پیش بینی قیمت سهام ،" سیستم های مبتنی بر دانش ، جلد. 23 ، نه. 8 ، صص 800-808 ، 2010. [doi: 10. 1016/j. knosys. 2010. 05. 004]

10. [10] Y. Chen ، A. Abraham ، J. Yang ، and B. Yang ، "روش های ترکیبی برای مدل سازی شاخص سهام" ، سیستم های فازی و کشف دانش ، صص 490-490 ، 2005. [doi: 10. 1007/11540007_137]

11. [11] S. Wang ، L. Wang ، S. Gao ، and Z. Bai ، "پیش بینی قیمت سهام بر اساس شبکه عصبی بهینه سازی-RBF ذرات هیبریدی هرج و مرج ،" مجله بین المللی علوم تصمیم گیری کاربردی ، جلد. 10 ، نه. 2 ، صص 89-100 ، 2017. [doi: 10. 1504/ijads. 2017. 084307]

12. [12] T. T. Khuat and M. H. Le ، "برنامه کاربردی از شبکه های عصبی مصنوعی و منطق فازی در مشکل پیش بینی قیمت سهام" ، مجله بین المللی تجسم انفورماتیک ، جلد. 1 ، نه. 2 ، صص 40-49 ، 2017. [doi: 10. 30630/joiv. 1. 2. 20]

13. [13] R. Ghasemiyeh ، R. Moghdani ، and S. S. Sana ، "یک شبکه عصبی مصنوعی ترکیبی با الگوریتم های متهوریستی برای پیش بینی قیمت سهام ،" سایبرنتیک و سیستم ها ، جلد. 48 ، نه. 4 ، صص 365-392 ، 2017. [doi: 10. 1080/01969722. 2017. 1285162]

14. [14] Y. Rajihy ، K. Nermend ، and A. Alsakaa ، "شبکه های عصبی مصنوعی در پیش بینی بازار سهام در پیش بینی بازار سهام. برنامه ای برای WIG20 بورس ورشو ،" ESESIMATIO ، شماره. 15 ، ص. 88 ، 2017.

15. [15] S. A. Mousavi ، and Gholami ، "با استفاده از الگوریتم عصبی Hybrid Firefly و روش تنظیم بیزی برای پیش بینی قیمت سهام ،" مهندسی مالی و مدیریت اوراق بهادار ، جلد. 9 ، نه. 36 ، صص 295-321 ، 1397.

16. [16] T. Fischer and C. Krauss ، "یادگیری عمیق با شبکه های حافظه کوتاه مدت کوتاه برای پیش بینی های بازار مالی ،" مجله اروپایی تحقیقات عملیاتی ، جلد. 270 ، نه. 2 ، صص 654-669 ، 2018. [doi: 10. 1016/j. ejor. 2017. 11. 054]

17. [17] W. Long ، Z. Lu ، and L. Cui ، "مهندسی ویژگی های مبتنی بر یادگیری عمیق برای پیش بینی حرکت قیمت سهام ،" سیستم های دانش مبتنی بر ، جلد. 164 ، صص 163-173 ، 2019. [doi: 10. 1016/j. knosys. 2018. 10. 034]

18. [18] A. Kelotra and P. Pandey ، "پیش بینی بازار سهام با استفاده از مدل CONVLSTM بهینه بهینه شده ،" Big Data ، Vol. 8 ، نه. 1 ، صص 5-24 ، 2020. [doi: 10. 1089/big. 2018. 0143] [PMID]

19. doi: 10. 1007/S00521-019-04698-5]

20. [20] M.-C. لی ، "با استفاده از دستگاه بردار پشتیبانی با روش انتخاب ویژگی ترکیبی به پیش بینی روند سهام" ، سیستم های متخصص با برنامه های کاربردی ، جلد. 36 ، نه. 8 ، صص 10896-10904 ، 2009. [doi: 10. 1016/j. eswa. 2009. 02. 038]

21. 80 ، صص 340-355 ، 2017. [doi: 10. 1016/j. eswa. 2017. 02. 044]

22. 6 ، نه. 9 ، صص 1-6 ، 2010. [doi: 10. 5120/1106-1449]

23. [23] W. Qiu ، X. Liu ، and L. Wang ، "پیش بینی شاخص کامپوزیت شانگهای مبتنی بر سری زمانی فازی و بهبود درختان تصمیم C-Fuzzy ،" سیستم های متخصص با برنامه ها ، جلد. 39 ، نه. 9 ، صص 7680-7689 ، 2012. [doi: 10. 1016/j. eswa. 2012. 01. 051]

24. بشر47 ، صص 552-567 ، 2019. [doi: 10. 1016/j. najef. 2018. 06. 013]

25.

26. بشر[doi: 10. 1109/i2ct. 2017. 8226316]

27. [27] GH. الهام و د. سید محمد رضا ، "پیش بینی روند قیمت در بورس با استفاده از یک الگوریتم جنگلی تصادفی" ، مجله سه ماهه مهندسی مالی و مدیریت اوراق بهادار ، جلد. 9 ، نه. 35 ، صص 301-322 ، 1397.

28. [28] K. Alkhatib ، H. Najadat ، I. Hmeidi ، and M. K. A. Shatnawi ، "پیش بینی قیمت سهام با استفاده از الگوریتم K-Nearest همسایه (KNN) ،" مجله بین المللی تجارت ، علوم انسانی و فناوری ، جلد. 3 ، نه. 3 ، صص 32-44 ، 2013.

29. [29] M. Zadeh ، H. Gholipoor ، and GH. VAHID ، "پیش بینی قیمت سهام با استفاده از روش رگرسیون واسطه توزیع شده (ARDL) ،" تحقیقات مالی ، جلد. 9 ، نه. 23 ، صص 49-60 ، 1386.

30. [30] M. Zadeh ، H. Gholipoor ، and GH. Vahid ، "پیش بینی قیمت سهام با روش رگرسیون فازی" ، مجله اقتصاد کلان ، جلد. 6 ، نه. 12 ، صص 107-128 ، 1390.

31. [31] E. Kita ، M. Harada ، and T. Mizuno ، "استفاده از شبکه بیزی در پیش بینی قیمت سهام" ، Artif. هوشتحقیق ، جلد. 1 ، نه. 2 ، صص 171-184 ، 2012. [doi: 10. 5430/air. v1n2p171]

32. [32] Q. Sun ، W.-G. Che ، و H.-L. وانگ ، "مدل شبکه عصبی تنظیم بیزیایی BP برای پیش بینی قیمت سهام" ، در بنیادها و کاربردهای سیستم های هوشمند: Springer ، 2014 ، صص 521-531.[doi: 10. 1007/978-3-642-37829-4_45]

33. [33] L. Wang ، Z. Wang ، S. Zhao ، and S. Tan ، "پیش بینی روند بازار سهام با استفاده از نمودار فاکتور دینامیکی بیزی" ، سیستم های متخصص با برنامه ها ، جلد. 42 ، نه. 15-16 ، صص 6267-6275 ، 2015. [doi: 10. 1016/j. eswa. 2015. 01. 035]

34. 104 ، صص 10-25 ، 2013. [doi: 10. 1016/j. neucom. 2012. 09. 017]

35. [35] P.-C. چانگ و سی. لیو ، "یک سیستم مبتنی بر قانون فازی از نوع TSK برای پیش بینی قیمت سهام" ، سیستم های متخصص با برنامه ها ، جلد. 34 ، نه. 1 ، صص 135-144 ، 2008. [doi: 10. 1016/j. eswa. 2006. 08. 020]

36. 44 ، نه. ج ، صص 13-21 ، 2016. [doi: 10. 1016/j. eswa. 2015. 08. 045]

37. [37] S. K. Chandar ، "مدل فیوژن تبدیل موجک و سیستم استنتاج نورو فازی تطبیقی برای پیش بینی بازار سهام ،" مجله هوش محیط و محاسبات انسانی ، صص 1-9 ، 2019.

38.

39. [39] Ramezani و Ameli ، "پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی بر الگوریتم ژنتیکی و مقایسه با شبکه عصبی فازی ،" تحقیقات مدل سازی اقتصادی ، جلد. 6 ، نه. 22 ، صص 61-91 ، 2016. [doi: 10. 18869/acadpub. jemr. 6. 22. 61]

40. [40] J. Babajani ، T. Bolo ، GH. عبداللهی ، "پیش بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از یک شبکه عصبی بازگشتی بهینه شده توسط الگوریتم مستعمره زنبور مصنوعی ،" استراتژی مدیریت مالی ، جلد. 7 ، نه. 2 ، صص 195-228 ، 2019.

41. SSRN. 1325842]

42. [42] S. Moshiri و H. Morevat ، "پیش بینی شاخص عمومی بورس سهام تهران با استفاده از مدلهای خطی و غیرخطی" ، مجله سه ماهه تحقیقات تجاری ، جلد. 41 ، نه. 84

43. [43] O. Cordón ، E. Herrera ، E. Gomide ، E. Hoffman ، and L. Magdalena ، "ده سال سیستم های فازی ژنتیکی: چارچوب فعلی و روندهای جدید" ، در کنگره جهانی IFSA و 20 مین کنفرانس بین المللی NAFIPS، 2001. مشترک نهم ، 2001 ، جلد. 3: IEEE ، صص 1241-1246.

44. [44] H. N. Nhu ، S. Nitsuwat و M. Sodanil ، "پیش بینی قیمت سهام با استفاده از یک سیستم استنباط عصبی تطبیقی که توسط الگوریتم Firefly آموزش داده شده است ،" در سال 2013 کنفرانس بین المللی علوم و مهندسی کامپیوتر (ICSEC) ، 2013 ، 2013 ،IEEE ، صص 302-307.[doi: 10. 1109/ICSEC. 2013. 6694798]