خلاصة:
تعیین زمان بهینه و قیمت مناسب خرید و فروش سهام نقش بسزایی در تصمیمات سرمایهگذاری در بازار سرمایه و سود و زیان سرمایهگذار دارند. میتوان از سیستمهای هوشمند غیرخطی همچون شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک برای پیشبینی تغییرات قیمت سهام استفاده نمود. در این مقاله به طراحی و ارائه یک مدل پیشبینی قیمت سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی بهعنوان ورودیهای مدل استفاده میشود. خروجیهای حاصل از شبکه نشان می دهد میزان خطای پیشبینی هر دو دسته از ورودی های بنیادی و فنی تا حد قابل قبولی پایین است و این سیستمها از توانایی لازم برای پیشبینی قیمت روزانه سهام برخوردار میباشند. برای ارزیابی دقت مدل، آزمون من ویتنی انجام گردید که با توجه به ورودیهای مشخص شده برای دو حالت بنیادی و فنی، مشاهده گردید که تقریباً تفاوت معناداری بین نتایج پیشبینی قیمت در این دو روش وجود ندارد. هر دو روش بنیادی و فنی به شرط آنکه حداقل یکی از ورودیهای آنها وابستگی خطی با قیمت داشته باشد، قادر به پیشبینی قیمت روز آتی با ضریب خطای نسبتاً قابل قبولی خواهند بود. همچنین در خصوص سهامی که میزان نوسانات قیمتی آن زیاد است، استفاده از رویکرد شبکه عصبی منجر به افزایش سطح خطای پیشبینی خواهد گردید و توصیه میشود از این روش برای پیشبینی قیمت سهام پرنوسان استفاده نشود.
Selection of appropriate time and price in trading stocks has an important role in investment decisions on profit and loss of investors in capital markets. Nonlinear intelligent systems, such as artificial neural networks, fuzzy- neural networks and genetic algorithms, would be used to forecast stock prices motions. In this article,a model of stock prices motions has been designed using Adaptive Neuro- Fuzzy Inference System (ANFIS)integrated with genetic algorithm, in which two different groups of fundamental and technical variables have been employed as model inputs. According to Model outputs,the rate of forecasting errors in both groups of inputs is not significant and these systems are able to forecast daily stock prices. The Mann-Whitney test has been used to measure the accuracy of models and it was found that there is no significant difference between results of prices forecasted in both methods. Both methods are able to forecast next day price with an insignificant error provided that at least one of the inputs in both methods has a linear dependence with price, . Also, results show that these systems do not work properly to forecast prices of high volatility stocks
ملخص الجهاز:
در اين مقاله به طراحي و ارائه يک مدل پيش بيني قيمت سهام با استفاده از سيستم استنتاج عصبي فازي انطباقي و ترکيب آن با الگوريتم ژنتيک پرداخته شده است که در آن از دو دسته مختلف متغيرهاي فني و بنيادي به عنوان وروديهاي مدل استفاده ميشود.
خروجيهاي حاصل از شبکه نشان مي دهد ميزان خطاي پيش بيني هر دو دسته از ورودي هاي بنيادي و فني تا حد قابل قبولي پايين است و اين سيستم ها از توانايي لازم براي پيش بيني قيمت روزانه سهام برخوردار ميباشند.
براي ارزيابي دقت مدل ، آزمون من ويتني انجام گرديد که با توجه به وروديهاي مشخص شده براي دو حالت بنيادي و فني، مشاهده گرديد که تقريباً تفاوت معناداري بين نتايج پيش بيني قيمت در اين دو روش وجود ندارد.
٤-٢- خروجيهاي مدل با توجه به مراحل شرح داده شده در بالا، نمودارهاي نهايي استخراج شده از مدل که با استفاده از برنامه MATLAB به دست آمده براي هر يک از ٤ شرکت مورد بررسي، به شرح زير ميباشد: الف - نتايج حاصل از مدل با در نظر گرفتن وروديهاي بنيادي (رجوع شود به تصویر صفحه) نمودار ١- سهام شرکت سايپا، اختلاف قيمت واقعي (خط پيوسته ) و شبيه سازي شبکه (خط نقطه چين ) (نمودار بالا)، نوسانات خطا (نمودار پايين سمت چپ ) و توزيع آماري خطا (نمودار پايين سمت راست )- ميزان خطا: ٥١ ريال .