چکیده:
پیشبینی و آنالیز حرکات بازار سهام موضوع بسیار مهم برای محققان، معامله گران و تحلیل گران بازار می باشد و نقش مهمی در اقتصاد امروز دارد. تنوع در سیاست هایی مانند سیاست های دولتی و سیاست های اقتصادی بر بازار سرمایه تأثیر می گذارند و باعث تغییرات قیمتی سهام می شوند. پیشبینی حرکات بازار بهصورت روزانه، به دلیل غیرخطی بودن و آشوبناک بودن حرکات قیمت سهام کار بسیار مشکلی می باشد. روش های مختلفی برای پیشبینی در بورس وجود دارد. تکنیک های هوش مصنوعی بهصورت گسترده برای پیشبینی داده های با ساختار غیرخطی و آشوبناک به کار گرفتهشدهاند. یکی از این تکنیکها استفاده از شبکههای عصبی میباشد. درصورتیکه شبکه عصبی بهدرستی آموزش داده شود، خطای کمتری در پیشبینی خواهد داشت. در این پژوهش با استفاده از ۸ الگوریتم فراابتکاری اقدام به آموزش شبکه عصبی پرسپترون چندلایه خواهیم کرد و به پیشبینی شاخص کل بورس تهران خواهیم پرداخت. نتایج بهدستآمده از این پژوهش نشان داد که الگوریتم بهینهسازی گرگ خاکستری دارای کمترین خطا در آموزش شبکه عصبی دارد.
Prediction and analysis of stock market movementsare an important topic for researchers, traders and have got an important role in today’s economy. Variety in policies, such as government policies and economic policiesaffect the stock market and cause stock price changes. The predicting stock price movement on a daily basisdue to the non-linear and chaoticstock price movements is a difficult task. There are several ways for predicting in stock market. Artificial intelligence techniques have been widely used to predict data with nonlinear and chaotic structure. One of these techniques is neural network. If neural network is trained correctly, then it has minimum error in predicting. In this research, we will train the multilayer perceptron neural network with 8 metaheuristics algorithms and we predict Tehran Exchange Dividend Price Index (TEDPIX). The Results show that grey wolf optimization has the minimum error in training of neural network.
خلاصه ماشینی:
در اين پژوهش با استفاده از هشت الگوريتم فراابتکاري اقدام به آموزش شبکه عصبي پرسپترون چندلايه خواهيم کرد و به پيش بيني شاخص کل بورس تهران خواهيم پرداخت .
1efficient market hypothesis 2nonlinear 3chaotic 4multilayer perceptron neural network 5gradient-descent-based 6metaheuristic algorithms 189 بهرامي و همه خاني (١٣٩٥) با استفاده از شاخص هاي بازار سرمايه به عنوان نشان دهنده روند بازار و در قالب شبکه عصبي به تحليل سري هاي زماني قيمت سهام و شاخص کل ، مالي و صنعت پرداختند.
رحيمي گرکاني (١٣٩٦) در پژوهشي با عنوان «شناسايي اثربخش ترين مدل پيشگويي قيمت سهام شرکت هاي فعال در بازار بورس اوراق بهادار ساختاريافته با شبکه عصبي مصنوعي » با استفاده از شبکه عصبي و با استفاده از الگوريتم هاي پس انتشار خطا، الگوريتم بهينه سازي انبوه ذرات (ابرهارت و کندي، ١٩٩٥) و الگوريتم رقابت استعماري (آتشپز گرگري و لوکاس ،٢٠٠٧)و با به کارگيري داده هاي روزانه شاخص کل و همچنين قيمت روزانه ١٤ سهم انتخاب شده از بورس اوراق بهادار تهرانشبکه عصبي را آموزش داده است و اقدام به پيش بيني قيمت سهام و شاخص کل کرده است .
1adaline neural network 192 چاندر (٢٠٢١) با استفاده از الگوريتم بهينه سازي گرگ خاکستري (١ميرجليلي، ٢٠١٤) اقدام به آموزش شبکه عصبي المان ٢ کرده است .
در اين پژوهش ، قصد داريم با استفاده از الگوريتم هاي فراابتکاري که اخيراً معرفيشده است به آموزش شبکه عصبي پرسپترون چندلايه بپردازيم و اقدام به پيش بيني شاخص کل يورس ايران ٣ کنيم .