Signal and Data Processing

fa مدل‌سازی بازار سهام با استفاده از مدل‌های هوش مصنوعی و مقایسه با مدل‌های کلاسیک خطی Stock Market Modeling Using Artificial Neural Network and Comparison with Classical Linear Models مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <div style="text-align: justify;">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 تلاش&lrm;های 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<a href="#_ftn1" name="_ftnref1" title="">[1]</a>) و شبکه‌های عصبی فازی(ANFIS<a href="#_ftn2" name="_ftnref2" title="">[2]</a>) استفاده و سپس کارایی این مدل‌ها با مدل‌های کلاسیک خطی(ARIMA<a href="#_ftn3" name="_ftnref3" title="">[3]</a> و SARIMA<a href="#_ftn4" name="_ftnref4" title="">[4]</a>) 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<a href="#_ftn5" name="_ftnref5" title="">[5]</a>) و ضریب همبستگی خطی(CC<a href="#_ftn6" name="_ftnref6" title="">[6]</a>) 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.</div> <div><div style="text-align: justify;"></div> <hr align="left" size="1" width="33%" ><div style="text-align: justify;"></div> <div id="ftn1" style="text-align: justify;"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Artificial Neural Networks</div> <div style="text-align: justify;"></div> <div id="ftn2" style="text-align: justify;"><a href="#_ftnref2" name="_ftn2" title="">[2]</a> Adaptive Neural Fuzzy Inference System</div> <div style="text-align: justify;"></div> <div id="ftn3" style="text-align: justify;"><a href="#_ftnref3" name="_ftn3" title="">[3]</a> Auto Regressive Integrated Moving Average</div> <div style="text-align: justify;"></div> <div id="ftn4" style="text-align: justify;"><a href="#_ftnref4" name="_ftn4" title="">[4]</a> Seasonal Auto Regressive Integrated Moving Average</div> <div style="text-align: justify;"></div> <div id="ftn5" style="text-align: justify;"><a href="#_ftnref5" name="_ftn5" title="">[5]</a> Mutual Information</div> <div style="text-align: justify;"></div> <div id="ftn6" style="text-align: justify;"><a href="#_ftnref6" name="_ftn6" title="">[6]</a> Correlation Coefficient</div> </div> <div></div> <div style="text-align: justify;">Stock market plays an important role in the world economy. Stock market customers are interested in predicting the stock market general index price, since their income depends on this financial factor; Therefore, a reliable forecast in stock market can be extremely profitable for stockholders. Stock market prediction for financial markets has been one of the main challenges in forecasting financial time series, in recent decades. This challenge has increasingly attracted researchers from different scientific branches such as computer science, statistics, mathematics, and etc. Despite a good deal of research in this area, the achieved success is far from ideal. Due to the intrinsic complexity of financial data in stock market, designing a practical model for this prediction is a difficult task. This difficulty increases when a wide variety of financial factors affect the stock market index. In this paper, we attempt to investigate this problem and propose an effective model to solve this challenge. Tehran’s stock market has been chosen as a real-world case study for this purpose. Concretely, we train a regression model by several features such as first and second market index in the last five years, as well as other influential features including US dollar price, universal gold price, petroleum price, industry index and floating currency index. Then, we use the trained system to predict the stock market index value of the following day. The proposed approach can be used by stockbrokers-trading companies that buy and sell shares for their clients to predict the stock market value. In the proposed method, intelligent nonlinear systems such as Artificial Neural Networks (ANNs) and Adaptive Network-based Fuzzy Inference System (ANFIS) have been exploited to predict the daily stock  market value of Tehran’s stock market. At the end, the performance of these models have been measured and compared with the linear classical models, namely, ARIMA and SARIMA. In the comparison phase, these time series data are imposed to non-linear ANN and ANFIS models; then, feature selection is applied on data to extract the more influencing features, by using mutual information (MI) and correlation coefficient (CC) criteria. As a result, those features with greater impact on prediction are selected to predict the stock market value. This task eliminates irrelevant data and minimizes the error rate. Finally, all models are compared with each other based on common evaluation criteria to provide a big picture of the exploited models. The obtained results approve that the feature selection by MI and CC methods in both ANFIS and ANN models increases the accuracy of stock market prediction up to 55 percentage points. Furthermore, ANFIS could outperform ANN in all five evaluation criteria.</div> شاخص بازار بورس, شبکه عصبی فازی, شبکه عصبی مصنوعی, ضریب همبستگی خطی, مدل آریما و مدل ساریما ARIMA, ANFIS, ANN, CC, MI, SARIMA, Stock Modelling 89 102 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1704-1&slc_lang=fa&sid=1 Zahra Pashaei زهرا پاشایی zhrpashaei@gmail.com 10031947532846009605 10031947532846009605 No Faculty of Electrical and Computer Engineering, Islamic Azad University of Bonab گروه کامپیوتر دانشگاه آزاد اسلامی بناب Rahim Dehkharghani رحیم دهخوارقانی rdehkharghani@ubonab.ac.ir 10031947532846009606 10031947532846009606 Yes Faculty of Engineering, University of Bonab گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بناب