دوره 17، شماره 4 - ( 12-1399 )                   جلد 17 شماره 4 صفحات 89-102 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Pashaei Z, Dehkharghani R. Stock Market Modeling Using Artificial Neural Network and Comparison with Classical Linear Models. JSDP. 2021; 17 (4) :89-102
URL: http://jsdp.rcisp.ac.ir/article-1-939-fa.html
پاشایی زهرا، دهخوارقانی رحیم. مدل‌سازی بازار سهام با استفاده از مدل‌های هوش مصنوعی و مقایسه با مدل‌های کلاسیک خطی. پردازش علائم و داده‌ها. 1399; 17 (4) :89-102

URL: http://jsdp.rcisp.ac.ir/article-1-939-fa.html


گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بناب
چکیده:   (763 مشاهده)
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
متن کامل [PDF 3708 kb]   (134 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1397/9/26 | پذیرش: 1399/8/21 | انتشار: 1399/12/4 | انتشار الکترونیک: 1399/12/4

فهرست منابع
1. [1] B. K. Wong, T. A. Bodnovich, and Y. Selvi, "Neural network applications in business: A review and analysis of the literature (1988-1995)," Deciion Support Systems, vol. 19, no. 4, pp. 301-320, 1997. [DOI:10.1016/S0167-9236(96)00070-X]
2. [2] T. Kimoto, K. Asakawa, M. Yoda, and M. Takeoka, "Stock market prediction system with modular neural networks," 1990 IJCNN International Join. Conference on Neural Networks, vol.1, pp. 1-6, 1990. [DOI:10.1109/IJCNN.1990.137535]
3. [3] G. Tkacz, "Neural network forecasting of Canadian GDP growth," Internatıonal Journal of Forecastıng, vol. 17, no. 1, pp. 57-69, 2001. [DOI:10.1016/S0169-2070(00)00063-7]
4. [4] م. مهدوی، ح. آهکی، ب. ناصرشریف. طراحی یک سیستم تشخیص اسکناس مبتنی بر شبکه عصبی با استفاده از مشخصه های بافت و رنگ تصویر. پردازش علائم و داده‌ها، ۱۳۸۹.
5. [4] M.Mahdavi, H.Ahaki, B.Nasersharif. "Designing a Currency Recognition System Based on Neural Networks Using Texture and Color of Images," JSDP, 2011.
6. [5] G. A. Darbellay and M. Slama, "Forecasting the short-term demand for electricity," Internatıonal Journal of Forecastıng, vol. 16, no. 1, pp. 71-83, 2000. [DOI:10.1016/S0169-2070(99)00045-X]
7. [6] T. Hill, L. Marquez, M. O'Connor, and W. Remus, "Artificial neural network models for forecasting and decision making," Internatıonal Journal of Forecastıng, vol. 10, no. 1, pp. 5-15, 1994. [DOI:10.1016/0169-2070(94)90045-0]
8. [7] D. Enke and S. Thawornwong, "The use of data mining and neural networks for forecasting stock market returns," Expert Systems with Application., vol. 29, no. 4, pp. 927-940, 2005. [DOI:10.1016/j.eswa.2005.06.024]
9. [8] G. S. Atsalakis and K. P. Valavanis, "Forecasting stock market short-term trends using a neuro-fuzzy based methodology," Expert Systems with Application, vol. 36, no. 7, pp. 10696-10707, 2009. [DOI:10.1016/j.eswa.2009.02.043]
10. [9] E. Guresen, G. Kayakutlu, and T. U. Daim, "Using artificial neural network models in stock market index prediction," Expert Systems with Application, vol. 38, no. 8, pp. 10389-10397, 2011. [DOI:10.1016/j.eswa.2011.02.068]
11. [10] 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 Application, vol. 39, no. 9, pp. 7680-7689, 2012. [DOI:10.1016/j.eswa.2012.01.051]
12. [11] A. H. Moghaddam, M. H. Moghaddam, and M. Esfandyari, "Stock market index prediction using artificial neural network," Journal of Economics, Finance and Administrative Science, vol. 21, no. 41, pp. 89-93, 2016. [DOI:10.1016/j.jefas.2016.07.002]
13. [12] M. Qiu, Y. Song, and F. Akagi, "Application of artificial neural network for the prediction of stock market returns: The case of the Japanese stock market," Chaos, Solitons & Fractals, vol. 85, pp. 1-7, 2016. [DOI:10.1016/j.chaos.2016.01.004]
14. [13] N. Tripathy, "Predicting Stock Market Price Using Neural Network Model," International Journal of Strategic Decision Sciences., vol. 9, no. 3, pp. 84-94, 2018. [DOI:10.4018/IJSDS.2018070104]
15. [14] Z. Hajirahimi and M. Khashei, "Hybrid structures in time series modeling and forecasting: A review," Engineering Applications of Artificial Intelligence, DOI: https://doi.org/10.1016/j.engappai.2019.08.018 [DOI:10.1016/j.engappai.2019.08.018 vol. 86, no.1, pp. 83-106, 2019.]
16. [15] D. Selvamuthu, V. Kumar, and A. Mishra, "Indian stock market prediction using artificial neural networks on tick data," Financial Innovation, vol. 5, no. 6, 2019. [DOI:10.1186/s40854-019-0131-7]
17. [16] J. Silva, J. V. Villa, and D. Cabrera, "Sale forecast for basic commodities based on artificial neural networks prediction," poceedings in Advances in Intelligent Systems and Computing, pp. 37-43, 2019. [DOI:10.1007/978-3-030-23887-2_5]
18. [17] S. Chopra, D. Yadav, and A. N. Chopra, "Artificial Neural Networks Based Indian Stock Market Price Prediction: Before and After Demonetization," Journal of Swarm Inteligence Evolutionary Computation, vol. 8, no. 174, pp. 2, 2019.
19. [18] Jadhav S., Dange B., Shikalgar S. "Prediction of Stock Market Indices by Artificial Neural Networks Using Forecasting Algorithms". International Conference on Intelligent Computing and Applications. Advances in Intelligent Systems and Computing, vol. 632, Springer, Singapore.
20. [19] T. Quoc Bao, L. Nhat Tan, L. Thi Thanh An, and B. Thi Thien My, "Forecasting stock index based on hybrid artificial neural network models," Science and Technology Deveelopment Journal - Economics - Law and Management, vol. 3, no. 1, 2019. [DOI:10.32508/stdjelm.v3i1.540]
21. [20] Ashik A.M., Kannan K.S. "Time Series Model for Stock Price Forecasting in India". In: Logistics, Supply Chain and Financial Predictive Analytics. Asset Analytics (Performance and Safety Management). Springer, Singapore, 2019 . [DOI:10.1007/978-981-13-0872-7_17]
22. [21] R. S. Pressman, "Software Engineering A Practitioner's Approach". 7th Ed. - Roger S. Pressman. 2009.
23. [22] J. D. Salas, "Applied modeling of hydrologic time series", Water Resources Publication, 1980. [DOI:10.1016/0309-1708(80)90028-7]
24. [23] G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, "Time series analysis: forecasting and control", John Wiley & Sons, 2015.
25. [24] م. البرزی، آشنايي با شبكه هاي عصبي. انتشارات دانشگاه صنعتی شریف، 1380.
26. [24] M. Alborzi, "An introduction to Neural Networks." Sharif University of Technology, 2000.
27. [25] S. Alvisi, G. Mascellani, M. Franchini, and A. Bárdossy, "Water level forecasting through fuzzy logic and artificial neural network approaches," Hydrology and Earth System Sciences, vol. 10. pp. 1-17, 2006. [DOI:10.5194/hess-10-1-2006]
28. [26] J. S. R. Jang, "ANFIS: Adaptive-Network-Based Fuzzy Inference System," IEEE Transaction Systems, Man, and Cybernetics, vol. 23, no. 3, pp. 665-685, 1993. [DOI:10.1109/21.256541]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.