Abstract:
هدف: پیشبینی دقیق بازار سهام برای معاملهگران این بازار ارزشمند است. پیشبینی سریهای زمانی مالی از دسته مسائل چالشی و مهم در پیشبینی است و پژوهشگران تلاش میکنند که الگوهای پنهان را برای پیشبینی آینده بازار سهام استخراج کنند. هدف این مقاله ارائه یک مدل هوشمند برای پیشبینی رفتار بازار سهام است.
روش: این مقاله، برای افزایش دقت از مدلی بر مبنای الگوریتمهای یادگیری جمعی با مدلهای پایه شبکههای عصبی استفاده میکند. برای در نظر گرفتن جهت تغییر قیمت در پیشبینی، ساختار دومرحلهای بهکار رفته است. در مرحله نخست، جهت بعدی حرکت قیمت سهام (افزایش یا کاهش) پیشبینی شده و از آن برای پیشبینی قیمت در مرحله دوم استفاده شده است.
یافتهها: دقت نتایج و افزایش بازده پیشبینی، مهمترین چالش مدلهای پیشنهادشده در بازار سهام بهشمار میرود. نکته مهم برای سودآوری معاملات، توجه به جهت تغییر قیمت سهام در پیشبینی قیمت آن است که در مدلهای پیشبینی به این موضوع توجه کمتری شده است. مدل پیشنهادی با استفاده از روشهای مبتنی بر هوش مصنوعی نشان میدهد که پیشبینی رفتار بازار سهام با وجود ماهیت نوسانی و ناپایدار آن، امکانپذیر است.
نتیجهگیری: نتایج معیارهای ارزیابی روی دادههای واقعی قیمت سهام نشان میدهد مدل پیشنهاد شده در مقایسه با سایر روشها، با دقت بیشتری میتواند بر نوسانهای بازار غلبه کرده و بهعنوان روش قابل اطمینان و عملی در بازارهای سهام بهکار گرفته شود.
Objective
Accurate forecasting of stock market behavior is invaluable for traders. Forecasting financial time series is among the important and challenging problems and researchers try to extract hidden patterns to predict the future behavior of the stock market. The purpose of this paper is to provide an intelligent model to predict stock market behavior.
Methods
This paper employs ensemble learning (EL) algorithm model using neural network base learners to increase the accuracy. In order to consider the direction of price change in the stock price forecasting, a two-stage structure was used. In the first stage, the next direction of the stock price (increase or decrease) was predicted and thenit was employed to forecast the price.
Results
The most important challenges of the proposed models in the stock market were the accuracy of the results and how to increase the forecasting efficiently. Research in this field has paid little attention to the prediction of the direction of the next movement of stock price, while it is very important regarding the profitability. The use of artificial intelligence-based models has shown that the stock market is predictable despite its uncertain and unstable nature.
Conclusion
The evaluation of results in stock market dataset shows that the proposed model suggests higher accuracy compared to other models in the literature. In addition, it can overcome the market fluctuations and can be used as a reliable and applicable model in the stock markets.