Abstract:
پیش بینی دقیق قیمت سهام ، با توجه به نوسان های زیاد و ریسک ذاتی بـازار سـرمایه ، یکی از دغدغه های اصلی سرمایه گـذاران و تحلیـل گـران مـالی اسـت ، از ایـن رو بـه کـارگیری رویکردهای نوین پیش بینی قیمت سهام ضرورت اجتناب ناپذیری است . بـر ایـن اسـاس ، هـدف تحقیق حاضر، مقایسه عملکرد مدل های پیش بینی شبکه عصبی با مدل های کلاسیک و معرفی مدل مناسب برای پیش بینی قیمت روز آتی سهام است . برای طراحی مدل پیش بینی بـا شـبکه عصبی ، از داده های قیمت روزانه بازار و شاخص های تکنیکی مالی به عنـوان متغیرهـای ورودی استفاده شد و برای طراحی مدل آریما، داده های قیمت بسته شدن روزانه به عنوان متغیـر ورودی و همچنین قیمت بسته شدن روز آتی به عنوان متغیر خروجی هر دو مدل در دورٔه زمانی ١٣٩٠ تا ١٣٩٣ در نظر گرفته شد. نتایج به دست آمده با شبکه عصبی بیزین بیان کننـدٔه خطـای کمتـر و قدرت پیش بینی بیشتر آن در مقایسه با مدل آریما است . یافته های تحقیق گویای کارایی بیشـتر شبکه عصبی بیزین در استفاده از فرصت های سرمایه گذاری کوتاه مدت بازار است که مـی توانـد به سرمایه گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.
Accurate forecasting of stock prices according to high volatility and inherent risk of stock market is a major concern of investors and financial analysts، hence applying novel approaches to predict the stock priceisan inevitable necessity. Accordingly، the purpose of this research is to compare the performance of forecasting models such as neural network with classical model and introducing appropriate model to forecast tomorrow stock price. The daily market prices data and financial indicator have been used as input variables for designing neural network model and daily closing price data set as input variable for designing ARIMA and also tomorrow's closing price is considered as output variable from 2011to2014. The results show that the Bayesian neural network represents less error sand higher Predictive power than the ARIMA model. The findings indicate the efficiency of Bayesian neural network incapture short-term investment opportunities and also can help investors to choose the appropriate portfolio and to obtain more returns.
Machine summary:
Autoregressive Integrated Moving Average (ARIMA) پیش بینی قیمت سهام هستند و کدام یک از قدرت بیشـتری برخوردارنـد؟ از ایـن رو، هـدف ایـن پژوهش مقایسۀ عملکرد این دو روش در پیش بینی قیمت سهام و دستیابی به مدل مناسب بـرای پیش بینی قیمت روز آتی سهام در شرکت های سرمایه گذاری پذیرفته شده در بورس اوراق بهـادار تهران است .
سیستم های هوشمند یکی از فناوری های نوین عصر حاضر است که با استفاده از آنها مـی تـوان به طراحی مدل هایی برای پیش بینی بازار سرمایه پرداخت (حنفی زاده و جعفری ، ١٣٨٩).
نتیجۀ آزمون تمام شبکه های دو نرون تا ١٠ نورون برای لایۀ پنهان با ١٠ بار تلاش مجدد نشان داد، بهترین تعداد نورون لایۀ پنهان برای شبکۀ دولایه هم بـا الگـوریتم آمـوزش لـونبرگ مارکوات و هم با الگوریتم آموزش بیزین برای پیش بینی قیمت سهام شرکت سرمایه گذاری ملی ، چهار نورون است .
نتیجۀ آزمون تمام شبکه های دو نرون تا ١٠ نورون برای لایه هـای پنهـان بـا ١٠ بار تلاش مجدد نشان داد، بهترین تعداد نورون لایۀ پنهـان بـرای شـبکۀ سـه لایـه بـا تـابع الگوریتم آموزش بیزین برای پیش بینی قیمت سهام شرکت سرمایه گذاری ملـی ، بـه صـورت زیـر است .
در جدول ٨ معیار عملکرد MSE هر یک از مدل های شبکۀ عصبی و آریما برای پنج شرکت سرمایه گذاری به تفکیک نشان داده شده است .
The hybrid model of feed forward and kohonen’s self organizing artificial neural networks in predicting the stock price.