دوره 18، شماره 4 - ( 12-1400 )
جلد 18 شماره 4 صفحات 152-125 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abdolrazzagh-Nezhad M, Kherad M. Predicting stock prices on the Tehran Stock Exchange by a new hybridization of Fuzzy Inference System and Fuzzy Imperialist Competitive Algorithm. JSDP 2022; 18 (4) : 8
URL: http://jsdp.rcisp.ac.ir/article-1-1024-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1024-fa.html
عبدالرزاق نژاد مجید، خرد مهدی. پیش‌بینی قیمت سهام در بورس اوراق بهادار تهران توسط ترکیب دوگانه سامانه استنتاج فازی و الگوریتم رقابت استعماری فازی. پردازش علائم و داده‌ها. 1400; 18 (4) :125-152
گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بزرگمهر قائنات
چکیده: (2161 مشاهده)
پیش‌بینی قیمت سهام در بورس اوراق بهادار از جمله چالش برانگیزترین مباحث در مقوله پیش‌بینی است که توجهات بسیاری از جمله محققان را به خود جلب کرده است. عوامل مختلف درگیر در بورس اوراق بهادار سبب شده است تا بازار بورس همیشه از خود فرآیندی پویا و پیچیده داشته باشند. لذا پژوهش‌گران بر آن شده‌اند تا در پیش‌بینی رفتار بورس، به دنبال روش‌های نوینی باشند که دربرابر عدم ایستایی و پیچیده بودن مقاوم باشند. در این پژوهش یک مدل ترکیبی دوگانه متشکل از دو سامانه استنتاج فازی و یک الگوریتم رقابت استعماری به‌صورت ترکیبی استفاده شده است که یک سامانه فازی برای ایجاد مدلی برای پیش‌بینی قیمت سهام براساس 10 متغیر تأثیرگذار بر قیمت سهام استفاده می‌شود که قوانین فازی موتور استنتاج این سامانه فازی توسط نسخه بهبود یافته فازی جدید الگوریتم رقابت استعماری به‌دست می‌آید و پارامترهای الگوریتم رقابت استعماری نیز توسط یک سامانه فازی دیگر به نام تنظیم‌کننده پارامترها ، تعیین می‌شوند. به‌منظور ارزیابی عملکرد مدل پیشنهادی اطلاعات مرتبط با قیمت سهام شش شرکت فعال در بورس اوراق بهادار تهران در نظر گرفته شده و هشت مدل پیش‌بینی قیمت سهام در دو گروه الگوریتم به همراه مدل پیشنهادی پیاده‌سازی شدند. نتایج به‌دست‌آمده نشان از عملکرد بهتر مدل پیشنهادی از جهت کیفیت نتایج پیش‌بینی شده و انحراف کم نتایج فاز آزمون از فاز آموزش دارد.
شماره‌ی مقاله: 8
واژه‌های کلیدی: پیش‌بینی قیمت سهام، سامانه استنتاج فازی ممدانی، شبک عصبی، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، الگوریتم رقابت استعماری
نوع مطالعه: كاربردي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1398/4/5 | پذیرش: 1399/11/14 | انتشار: 1401/1/1 | انتشار الکترونیک: 1401/1/1
دریافت: 1398/4/5 | پذیرش: 1399/11/14 | انتشار: 1401/1/1 | انتشار الکترونیک: 1401/1/1
فهرست منابع
1. [1] E. Stringham, Private governance: Creating order in economic and social life. Oxford University Press, USA, 2015. [DOI:10.1093/acprof:oso/9780199365166.001.0001]
2. [2] H. Vachhani et al., "Machine learning based stock market analysis: A short survey," in International Conference on Innovative Data Communication Technologies and Application, 2019: Springer, pp. 12-26. [DOI:10.1007/978-3-030-38040-3_2]
3. [3] V. R. Jain, M. Gupta, and R. M. Singh, "Analysis and Prediction of Individual Stock Prices of Financial Sector Companies in NIFTY50," International Journal of Information Engineering and Electronic Business, vol. 11, no. 2, p. 33, 2018. [DOI:10.5815/ijieeb.2018.02.05]
4. [4] T. Kim and H. Y. Kim, "Forecasting stock prices with a feature fusion LSTM-CNN model using different representations of the same data," PloS one, vol. 14, no. 2, 2019. [DOI:10.1371/journal.pone.0212320] [PMID] [PMCID]
5. [5] ف. جهانتیغ, د. پ. تلگردویی, and صفورا, "وقفه‌های زمانی بهینه در پیش‌بینی قیمت نفت توسط شبکه عصبی پویا اصلاح‌شده با الگوریتم ژنتیک," فصل‌نامه مطالعات اقتصاد انرژی, vol. 14, no. 56, pp. 115-143, 1397.
6. [5] F. Jahantegh, d. P. Telegraph, and Safoura, "Optimal time intervals in oil price forecasting by a dynamic neural network modified by genetic algorithm," Quarterly Journal of Energy Economics Studies, vol. 14, no. 56, pp. 115-143, 1397.
7. [6] قربانی, ی. ز. فر, محمود, و ن. چاشمی, "پیش‌بینی سیگنال معاملات سهام با استفاده از شبکه‌های پتری رنگی و الگوریتم ژنتیک (مطالعه موردی: بازار بورس تهران)," پژوهشنامه مدیریت اجرایی, vol. 11, no. 21, pp. 205-227, 2019.
8. [6] Y. Rabbani, M. and N. Chashmi, "Stock Trading Signal Prediction Using Color Petroleum Networks and Genetic Algorithm (Case Study: Tehran Stock Exchange)," Journal of Executive Management, vol. 11, no. 21, pp. 205-227, 2019.
9. [7] monajemi, abzari, and rayati, "Stock price prediction in stock exchange stock exchange using fuzzy neural network and genetic algorithm and comparing it with artificial neural network," Quarterly Journal of Economics, vol. 3, no. 6, pp. 1-26, 2010.
10. [8] P. Hájek, V. Olej, and R. Myskova, "Forecasting stock prices using sentiment information in annual reports: A neural network and support vector regression approach," WSEAS Transactions on Business and Economics, vol. 10, no. 4, pp. 293-305, 2013.
11. [9] E. Hadavandi, H. Shavandi, and A. Ghanbari, "Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting," Knowledge-Based Systems, vol. 23, no. 8, pp. 800-808, 2010. [DOI:10.1016/j.knosys.2010.05.004]
12. [10] Y. Chen, A. Abraham, J. Yang, and B. Yang, "Hybrid methods for stock index modeling," Fuzzy Systems and Knowledge Discovery, pp. 490-490, 2005. [DOI:10.1007/11540007_137]
13. [11] S. Wang, L. Wang, S. Gao, and Z. Bai, "Stock price prediction based on chaotic hybrid particle swarm optimisation-RBF neural network," International Journal of Applied Decision Sciences, vol. 10, no. 2, pp. 89-100, 2017. [DOI:10.1504/IJADS.2017.084307]
14. [12] T. T. Khuat and M. H. Le, "An Application of Artificial Neural Networks and Fuzzy Logic on the Stock Price Prediction Problem," International Journal on Informatics Visualization, vol. 1, no. 2, pp. 40-49, 2017. [DOI:10.30630/joiv.1.2.20]
15. [13] R. Ghasemiyeh, R. Moghdani, and S. S. Sana, "A Hybrid Artificial Neural Network with Metaheuristic Algorithms for Predicting Stock Price," Cybernetics and Systems, vol. 48, no. 4, pp. 365-392, 2017. [DOI:10.1080/01969722.2017.1285162]
16. [14] Y. Rajihy, K. Nermend, and A. Alsakaa, "Back-propagation artificial neural networks in stock market forecasting. An application to the Warsaw Stock Exchange WIG20," Aestimatio, no. 15, p. 88, 2017.
17. [15] موسوی, س. علیرضا, و غلامی, "استفاده از الگوریتم ترکیبی عصبی کرم شب‌تاب و روش رگولاسیون بیزین جهت پیش‌بینی قیمت سهام," مهندسی مالی و مدیریت اوراق بهادار, vol. 9, no. 36, pp. 295-321, 1397.
18. [15] S. A. Mousavi, and Gholami, "Using Hybrid Firefly Neural Algorithm and Bayesian Regulation Method to Predict Stock Prices," Financial Engineering and Securities Management, vol. 9, no. 36, pp. 295-321, 1397.
19. [16] T. Fischer and C. Krauss, "Deep learning with long short-term memory networks for financial market predictions," European Journal of Operational Research, vol. 270, no. 2, pp. 654-669, 2018. [DOI:10.1016/j.ejor.2017.11.054]
20. [17] W. Long, Z. Lu, and L. Cui, "Deep learning-based feature engineering for stock price movement prediction," Knowledge-Based Systems, vol. 164, pp. 163-173, 2019. [DOI:10.1016/j.knosys.2018.10.034]
21. [18] A. Kelotra and P. Pandey, "Stock market prediction using optimized deep-convlstm model," Big Data, vol. 8, no. 1, pp. 5-24, 2020. [DOI:10.1089/big.2018.0143] [PMID]
22. [19] C. Xiao, W. Xia, and J. Jiang, "Stock price forecast based on combined model of ARI-MA-LS-SVM," Neural Computing and Applications, pp. 1-10, 2020. [DOI:10.1007/s00521-019-04698-5]
23. [20] M.-C. Lee, "Using support vector machine with a hybrid feature selection method to the stock trend prediction," Expert Systems with Applications, vol. 36, no. 8, pp. 10896-10904, 2009. [DOI:10.1016/j.eswa.2009.02.038]
24. [21] Y. Chen and Y. Hao, "A feature weighted support vector machine and K-nearest neighbor algorithm for stock market indices prediction," Expert Systems with Applications, vol. 80, pp. 340-355, 2017. [DOI:10.1016/j.eswa.2017.02.044]
25. [22] B. B. Nair, V. Mohandas, and N. Sakthivel, "A decision tree-rough set hybrid system for stock market trend prediction," International Journal of Computer Applications, vol. 6, no. 9, pp. 1-6, 2010. [DOI:10.5120/1106-1449]
26. [23] W. Qiu, X. Liu, and L. Wang, "Forecasting shanghai composite index based on fuzzy time series and improved C-fuzzy decision trees," Expert Systems with Applications, vol. 39, no. 9, pp. 7680-7689, 2012. [DOI:10.1016/j.eswa.2012.01.051]
27. [24] S. Basak, S. Kar, S. Saha, L. Khaidem, and S. R. Dey, "Predicting the direction of stock market prices using tree-based classifiers," The North American Journal of Economics and Finance, vol. 47, pp. 552-567, 2019. [DOI:10.1016/j.najef.2018.06.013]
28. [25] L. Khaidem, S. Saha, and S. R. Dey, "Predicting the direction of stock market prices using random forest," arXiv preprint arXiv:1605.00003, 2016.
29. [26] N. Sharma and A. Juneja, "Combining of random forest estimates using LSboost for stock market index prediction," in 2017 2nd International Conference for Convergence in Technology (I2CT), 2017: IEEE, pp. 1199-1202. [DOI:10.1109/I2CT.2017.8226316]
30. [27] غ. الهام و د. سيدمحمدرضا, "پيش‌بيني روند قيمت در بازار سهام با استفاده از الگوريتم جنگل تصادفي," فصل‌نامه مهندسی مالی و مدیریت اوراق بهادار vol. 9, no. 35, pp. 301-322, 1397.
31. [27] Gh. Elham and d. Seyed Mohammad Reza, "Predicting price trends in the stock market using a random forest algorithm," Quarterly Journal of Financial Engineering and Securities Management, vol. 9, no. 35, pp. 301-322, 1397.
32. [28] K. Alkhatib, H. Najadat, I. Hmeidi, and M. K. A. Shatnawi, "Stock price prediction using k-nearest neighbor (kNN) algorithm," International Journal of Business, Humanities and Technology, vol. 3, no. 3, pp. 32-44, 2013.
33. [29] زاده, م. ح. قلی, پور, و ق. وحید, "پیش‌بینی قیمت سهام با استفاده از روش خود رگرسیون با وقفه توزیعی (ARDL)," پژوهش‌های مالی, vol. 9, no. 23, pp. 49-60, 1386.
34. [29] M. Zadeh, H. Gholipoor, and Gh. Vahid, "Stock Price Forecasting Using Distributed Intermediate Regression (ARDL) Method," Financial Research, vol. 9, no. 23, pp. 49-60, 1386.
35. [30] م. ح. قلی‌زاده, م. حسن, و. پور, and قاسم, "پیش‌بینی قیمت سهام با روش رگرسیون فازی," پژوهشنامه اقتصاد کلان, vol. 6, no. 12, pp. 107-128, 1390.
36. [30] M. Zadeh, H. Gholipoor, and Gh. Vahid, "Stock price forecasting by fuzzy regression method," Journal of Macroeconomics, vol. 6, no. 12, pp. 107-128, 1390.
37. [31] E. Kita, M. Harada, and T. Mizuno, "Application of Bayesian Network to stock price prediction," Artif. Intell. Research, vol. 1, no. 2, pp. 171-184, 2012. [DOI:10.5430/air.v1n2p171]
38. [32] Q. Sun, W.-G. Che, and H.-L. Wang, "Bayesian regularization BP neural network model for the stock price prediction," in Foundations and applications of intelligent systems: Springer, 2014, pp. 521-531. [DOI:10.1007/978-3-642-37829-4_45]
39. [33] L. Wang, Z. Wang, S. Zhao, and S. Tan, "Stock market trend prediction using dynamical Bayesian factor graph," Expert Systems with Applications, vol. 42, no. 15-16, pp. 6267-6275, 2015. [DOI:10.1016/j.eswa.2015.01.035]
40. [34] M. R. Hassan, K. Ramamohanarao, J. Kamruzzaman, M. Rahman, and M. M. Hossain, "A HMM-based adaptive fuzzy inference system for stock market forecasting," Neurocomputing, vol. 104, pp. 10-25, 2013. [DOI:10.1016/j.neucom.2012.09.017]
41. [35] P.-C. Chang and C.-H. Liu, "A TSK type fuzzy rule based system for stock price prediction," Expert Systems with applications, vol. 34, no. 1, pp. 135-144, 2008. [DOI:10.1016/j.eswa.2006.08.020]
42. [36] G. R. M. Lincy and C. J. John, "A multiple fuzzy inference systems framework for daily stock trading with application to NASDAQ stock exchange," Expert Systems with Applications: An International Journal, vol. 44, no. C, pp. 13-21, 2016. [DOI:10.1016/j.eswa.2015.08.045]
43. [37] S. K. Chandar, "Fusion model of wavelet transform and adaptive neuro fuzzy inference system for stock market prediction," Journal of Ambient Intelligence and Humanized Computing, pp. 1-9, 2019.
44. [38] M. R. Feylizadeh, M. H. Keshavarz, and A. Hendalianpour, "Presenting a model for predicting the Tehran Stock Exchange Index using ANFIS and fuzzy regression," Journal of New Researches in Mathematics, 2019.
45. [39] رمضانی و عاملی, "پیش‌بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی," پژوهش‌های مدل‌سازی اقتصادی, vol. 6, no. 22, pp. 61-91, 2016.
46. [39] Ramezani and Ameli, "Stock Price Prediction Using Fuzzy Neural Network Based on Genetic Algorithm and Comparison with Fuzzy Neural Network," Economic Modeling Research, vol. 6, no. 22, pp. 61-91, 2016. [DOI:10.18869/acadpub.jemr.6.22.61]
47. [40] باباجانی, جعفر, تقوا, بولو, قاسم و عبدالهی, "پیش بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه‌شده با الگوریتم کلونی زنبور عسل مصنوعی," راهبرد مدیریت مالی, vol. 7, no. 2, pp. 195-228, 2019.
48. [40] J. Babajani, T. Bolo, Gh. Abdollahi, "Predicting stock prices on the Tehran Stock Exchange using a recursive neural network optimized by the artificial bee colony algorithm," Financial Management Strategy, vol. 7, no. 2, pp. 195-228, 2019.
49. [41] E. Giovanis, "Application of ARCH-GARCH models and feed-forward neural networks with Bayesian regularization in Capital Asset Pricing Model: The case of two stocks in Athens exchange stock market," 2009. [DOI:10.2139/ssrn.1325842]
50. [42] S. moshiri and H. morevat, "Forecasts Tehran Stock Exchange general index returns using linear and nonlinear models," Quarterly Journal of Business Research, vol. 41, no. 84.
51. [43] O. Cordón, E. Herrera, E. Gomide, E. Hoffman, and L. Magdalena, "Ten years of genetic fuzzy systems: current framework and new trends," in IFSA World Congress and 20th NAFIPS International Conference, 2001. Joint 9th, 2001, vol. 3: IEEE, pp. 1241-1246.
52. [44] H. N. Nhu, S. Nitsuwat, and M. Sodanil, "Prediction of stock price using an adaptive Neuro-Fuzzy Inference System trained by Firefly Algorithm," in 2013 International Computer Science and Engineering Conference (ICSEC) , 2013 ,IEEE, pp. 302-307. [DOI:10.1109/ICSEC.2013.6694798]
53. [45] R. Dash and P. Dash, "Efficient stock price prediction using a self evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique," Expert Systems with Applications, vol. 52, pp. 75-90, 2016. [DOI:10.1016/j.eswa.2016.01.016]
54. [46] L.-Y. Wei, "A hybrid model based on ANFIS and adaptive expectation genetic algorithm to forecast TAIEX," Economic Modelling, vol. 33, pp. 893-899, 2013. [DOI:10.1016/j.econmod.2013.06.009]
55. [47] A. Bagheri, H. M. Peyhani, and M. Akbari, "Financial forecasting using ANFIS networks with quantum-behaved particle swarm optimization," Expert Systems with Applications, vol. 41, no. 14, pp. 6235-6250, 2014. [DOI:10.1016/j.eswa.2014.04.003]
56. [48] J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques. Elsevier, 2011.
57. [49] S. Hosseini and A. Al Khaled, "A survey on the imperialist competitive algorithm metaheuristic: implementation in engineering domain and directions for future research," Applied Soft Computing, vol. 24, pp. 1078-1094, 2014. [DOI:10.1016/j.asoc.2014.08.024]
58. [50] A. P. Engelbrecht, Computational intelligence: an introduction., 2 ed. England: John Wiley & Sons, 2007, p. 597.
59. [51] P. J. Werbos, "Beyond Regression: New Tools for Prediction and Analysis in the Behavioural Sciences," PhD thesis, Harvard University, Boston, USA, 1974.
60. [52] پاشایی زهرا، دهخوارقانی رحیم. مدل‌سازی بازار سهام با استفاده از مدل‌های هوش مصنوعی و مقایسه با مدل‌های کلاسیک خطی. پردازش علائم و داده‌ها. ۱۳۹۹; ۱۷ (۴) :۱۰۲-۸۹
61. [52] Z. Pashaei, R. Dehkharghani, "Stock Market Modeling Using Artificial Neural Network and Comparison with Classical Linear Models", JSDP, 2021, vol.17, no. 4, pp. 89-102. [DOI:10.29252/jsdp.17.4.89]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
