TY - JOUR JF - jsdp JO - JSDP VL - 17 IS - 4 PY - 2021 Y1 - 2021/2/01 TI - Stock Market Modeling Using Artificial Neural Network and Comparison with Classical Linear Models TT - مدل‌سازی بازار سهام با استفاده از مدل‌های هوش مصنوعی و مقایسه با مدل‌های کلاسیک خطی N2 - پیش‌بینی قیمت سهام به‌عنوان یک فعالیت چالش برانگیز در پیش­بینی سری­‌های زمانی مالی درنظر گرفته می‌­شود. پیش‌بینی صحیح قیمت سهام می­‌تواند سود زیادی را برای سرمایه­‌گذاران به بار آورد. با وجود تلاش‎های فراوانی که تا کنون برای این منظور انجام گرفته، موفقیت چندانی در این زمینه به‌دست نیامده است. با توجه به پیچیدگی داده­‌های بازار بورس، توسعه مدل­‌های کارآمد برای این پیش‌بینی بسیار دشوار است. در این مقاله، سعی در بررسی دقیق این مسأله و ارائه روشی کارآمد برای آن داریم. برای ارزیابی روش پیشنهادی در این مقاله، بازار سهام تهران به‌عنوان یک بازار واقعی موردبررسی قرار گرفته ‌است. برای پیش‌بینی شاخص کل سهام تهران، از سامانه‌های هوشمند غیرخطی همچون شبکه‌های عصبی مصنوعی(ANN[1]) و شبکه‌­های عصبی فازی(ANFIS[2]) استفاده و سپس کارایی این مدل­‌ها با مدل‌های کلاسیک خطی(ARIMA[3] و SARIMA[4]) بررسی شده و همچنین علاوه‌بر داده­‌های شاخص کل، داده­‌های تأثیرگذار دیگری شامل قیمت دلار آمریکا، قیمت طلا، قیمت نفت، شاخص صنعت، شاخص ارز شناور، شاخص بازار اول و دوم در طول حدود پنج سال اخیر نیز در نظر گرفته شده ‌است. داده‌­های این پژوهش به‌صورت هدفمند به‌عنوان ورودی به مدل­‌های غیرخطی ANN و ANFIS داده می­شوند. به‌عبارت دیگر، عمل انتخاب ویژگی توسط معیار تابع اطلاعات مشترک(MI[5]) و ضریب همبستگی خطی(CC[6]) انجام می­‌گیرد؛ در‌نهایت، ویژگی­‌هایی انتخاب می‌­شوند که تأثیر بیشتری روی شاخص کل دارند. این عمل باعث می­شود که داده‌­های نامرتبط از مدل‌­سازی حذف شوند که این کار، تأثیر به‌سزایی در نتایج مدل‌­سازی خواهد داشت. در‌نهایت؛ همه مدل‌­ها براساس معیار­های رایج نیکویی برازش با همدیگر مقایسه می­‌شوند تا بتوان به دید جامعی در مورد توانایی مدل­‌های مورد نظر دست یافت. نتایج مدل‌سازی، بیان‌گر این است که انتخاب ویژگی‌ها با روش‌های MI و CCدر هر دو مدل ANFIS و ANN دقت پیش‌بینی شاخص را از منظر معیار ارزیابی Nash-Sutcliffe تا 55% افزایش می دهد. همچنین در تمامی پنج معیار ارزیابی، عملکرد ANFIS بر ANN برتری دارد. [1] Artificial Neural Networks [2] Adaptive Neural Fuzzy Inference System [3] Auto Regressive Integrated Moving Average [4] Seasonal Auto Regressive Integrated Moving Average [5] Mutual Information [6] Correlation Coefficient SP - 89 EP - 102 AU - Pashaei, Zahra AU - Dehkharghani, Rahim AD - Faculty of Engineering, University of Bonab KW - ARIMA KW - ANFIS KW - ANN KW - CC KW - MI KW - SARIMA KW - Stock Modelling UR - http://jsdp.rcisp.ac.ir/article-1-939-fa.html DO - 10.29252/jsdp.17.4.89 ER -