پیش بینی شاخص قیمت تهران (TEPIX) با استفاده از الگوریتم های متا-هوریستی جدید

1 گروه دارایی ، دانشکده مدیریت ، دانشگاه خاتام ، تهران ، ایران.

2 کاندیدای دکتری ، گروه مدیریت مالی ، دانشکده مدیریت و

3 کاندیدای دکتری ، گروه مدیریت مالی ، دانشکده مدیریت و اقتصاد ، شعبه علوم و تحقیقات ، دانشگاه آزاد اسلامی ، تهران ، ایران

خلاصه

بازار سهام شامل خطرات و بازده هایی است که در صورت پیش بینی صحیح ، می تواند منجر به سودآوری شود و برای این پیش بینی ، روشهای مناسب لازم است. تحت تأثیر پارامترهای مختلف قرار دارد و به روشی برای شناسایی این پارامترها و داشتن ماهیت پویا نیاز دارد. هدف اصلی این مقاله پیش بینی شاخص قیمت تهران (TEPIX) با استفاده از شبکه عصبی مصنوعی ترکیبی (ANN) بر اساس الگوریتم ژنتیکی (GA) ، جستجوی هارمونی (HS) الگوریتم بهینه سازی ذرات (PSO) بهینه سازی شعله پروانه (MFO) و بهینه سازی شعلهالگوریتم های بهینه سازی نهنگ. GA به عنوان انتخاب ویژگی استفاده می شود. بنابراین ، از PSO ، HS MFO و WOA برای تعیین تعداد لایه های ورودی و پنهان استفاده می شود. ما از مقادیر روزانه شاخص قیمت سهام بورس اوراق بهادار تهران از سال 2013 تا 2018 به منظور پیش بینی قیمت و آزمایش آن استفاده می کنیم. صحت شبکه عصبی مصنوعی ANN ، ترکیبی با HS ، PSO MFO و WOA بر اساس توابع مختلف از دست دادن مانند MSE ، MAE و غیره ارزیابی می شود. نتایج نشان می دهد که پیش بینی الگوریتم های متا-هوریستی در دوره آزمایش بالاتر استبشرهمچنین ، قابلیت پیش بینی WOA ترکیبی بالاتر از الگوریتم های Hybrid PSO و HS و MFO است.

کلید واژه ها

• الگوریتم بهینه سازی نهنگ
• الگوریتم ژنتیک
• جستجوی هارمونی
• الگوریتم بهینه سازی swarm ذرات
• الگوریتم بهینه سازی شعله پروانه

منابع

• عبدالله ، م. A. ، اب روشید ، م. اف. F. ، غزالی ، ز. ، و رز ، A. N. M. (2019). یک مطالعه موردی از مشکل برنامه ریزی توالی مونتاژ کارآمد. در سری کنفرانس IOP: علوم و مهندسی مواد (جلد 469 ، شماره 1 ، ص 012013). انتشارات IOP.
• احمد ، جی. ، جافری ، م. ، احمد ، جی. ، و خان ، م. اول (2005). طراحی و اجرای یک شبکه عصبی برای ردیابی شیء در زمان واقعی. مقاله ارائه شده در مجموعه مقالات دید ماشین و تشخیص الگوی در چهارمین کنفرانس جهانی Enformatika ، استانبول.
• احمد ، M. K. ، Wajiga ، G. M. ، Blamah ، N. V. ، & Modi ، B. (2019). پیش بینی بازار سهام با استفاده از الگوریتم مبتنی بر بهینه سازی ANT. مجله آمریکایی مدل سازی ریاضی و رایانه ، 4 (3) ، 52-57.
• Bhowmik ، P. (2019). مطالعه تحقیقاتی در مورد درک اساسی شبکه های عصبی مصنوعی. مجله جهانی علوم و فناوری رایانه.
• Caginalp ، G. ، & Desantis ، M. (2011). غیرخطی بودن در پویایی بازارهای مالی. تجزیه و تحلیل غیرخطی: برنامه های دنیای واقعی ، 12 (2) ، 1140-1151.
• Chandana ، P. H. (2019). نظرسنجی در مورد تکنیک ها و برنامه های محاسبات نرم.
• Chong ، E. ، Han ، C. ، & Park ، F. C. (2017). شبکه های یادگیری عمیق برای تجزیه و تحلیل بازار سهام و پیش بینی: روش شناسی ، بازنمایی داده ها و مطالعات موردی. سیستم های خبره با برنامه های کاربردی ، 83 ، 187-205.
• Chou ، J.-S. ، & Nguyen ، T.-K.(2018). پیش بینی رو به جلو قیمت سهام با استفاده از رگرسیون یادگیری ماشین بهینه سازی متهوریستی بهینه سازی شده. معاملات IEEE در انفورماتیک صنعتی ، 14 (7) ، 3132-3142.
• Dash ، R. ، & Dash ، P. K. (2015 ، اکتبر). یک مطالعه تطبیقی شبکه عملکرد پایه شعاعی با عملکردهای پایه های مختلف برای پیش بینی روند سهام. در سال 2015 کنفرانس قدرت ، ارتباطات و فناوری اطلاعات IEEE (PCITC) (صص 430-435). IEEE
• Davallou ، M. ، & Azizi ، N. (2017). بررسی قیمت گذاری ریسک اطلاعات ؛شواهدی از احتمال تعدیل شده از اقدامات تجاری آگاهانه. مجله تحقیقات مالی ، 19 (3) ، 415-438.
• De Oliveira ، F. A. ، Nobre ، C. N. ، & Zárate ، L. E. (2013). استفاده از شبکه های عصبی مصنوعی برای پیش بینی قیمت سهام و بهبود شاخص پیش بینی جهت - مطالعه حروف Peth4 ، Petrobras ، برزیل. سیستم های خبره با برنامه های کاربردی ، 40 (18) ، 7596-7606.
• De Rubio ، J. J. (2020). تجزیه و تحلیل پایداری الگوریتم اصلاح شده Levenberg-Marquardt برای آموزش شبکه عصبی مصنوعی. معاملات IEEE در شبکه های عصبی و سیستم های یادگیری.
• Dong ، G. ، Fataliyev ، K. ، & Wang ، L. (2013 ، دسامبر). پیش بینی سهام یک مرحله و چند مرحله ای با استفاده از شبکه های عصبی Backpropagation. در نهمین کنفرانس بین المللی اطلاعات ، ارتباطات و پردازش سیگنال (صفحات 1-5). IEEE
• Dubey ، M. ، Kumar ، V. ، Kaur ، M. ، & Dao ، T. P. (2021). یک بررسی منظم در مورد الگوریتم جستجوی هارمونی: نظریه ، ادبیات و برنامه ها. مشکلات ریاضی در مهندسی ، 2021.
• Eberhart ، R. ، & Kennedy ، J. (1995). یک بهینه ساز جدید با استفاده از نظریه swarm ذرات. مقاله ارائه شده در MHS'95. مجموعه مقالات ششمین سمپوزیوم بین المللی در زمینه میکرو و علوم انسانی.
• Efron ، B. ، & Tibshirani ، R. J. (1994). مقدمه ای برای بوت استرپ: CRC Press.
• Emamverdi ، G. ، Karimi ، M. S. ، Khakie ، S. ، & Karimi ، M. (2016). پیش بینی شاخص کل بورس اوراق بهادار تهران. مطالعات مالی ، 20 (1).
• Faris ، H. ، Aljarah ، I. ، & Mirjalili ، S. (2016). آموزش شبکه های عصبی Feedforward با استفاده از بهینه ساز چند عیار برای مشکلات طبقه بندی باینری. اطلاعات کاربردی ، 45 (2) ، 322-332.
• Ftiti ، Z. ، Guesmi ، K. ، & Abid ، I. (2016). قیمت نفت و همبستگی بازار سهام: از رویکردهای در مقیاس زمانی چه می توانیم یاد بگیریم؟بررسی بین المللی تجزیه و تحلیل مالی ، 46 ، 266-280.
• Gao ، T. ، & Chai ، Y. (2018). بهبود پیش بینی قیمت بسته شدن سهام با استفاده از شبکه عصبی مکرر و شاخص های فنی. محاسبات عصبی ، 30 (10) ، 2833-2854.
• Geem ، Z. W. ، Kim ، J. H. ، & Loganathan ، G. V. (2001). الگوریتم جدید بهینه سازی اکتشافی: جستجوی هارمونی. شبیه سازی ، 76 (2) ، 60-68.
• غنبری ، م. ، و آریان ، H. (2019). پیش بینی بازار سهام با رگرسیون بردار پشتیبانی و الگوریتم بهینه سازی پروانه. arxiv preprint arxiv: 1905. 11462.
• Gharehchopogh ، F. S. ، & Gholizadeh ، H. (2019). یک بررسی جامع: الگوریتم بهینه سازی نهنگ و کاربردهای آن. محاسبات ازدحام و تکاملی ، 48 ، 1-24.
• Ghasemiyeh ، R. ، Moghdani ، R. ، & Sana ، S. S. (2017). یک شبکه عصبی مصنوعی ترکیبی با الگوریتم های متهوریستی برای پیش بینی قیمت سهام. سایبرنتیک و سیستم ها ، 48 (4) ، 365-392.
• Göçken ، M. ، özçalıcı ، M. ، Boru ، A. ، & Dosdoğru ، A. T. (2016). ادغام متهوریسم و شبکه های عصبی مصنوعی برای بهبود قیمت سهام. سیستم های خبره با برنامه های کاربردی ، 44 ، 320-331.
• Guerrien ، B. ، & Gun ، O. (2011). فرضیه بازار کارآمد: ما در مورد چه چیزی صحبت می کنیم؟بررسی اقتصاد دنیای واقعی ، 56 (11) ، 19-30.
• Hadavandi ، E. ، Ghanbari ، A. ، & Abbasian-Naghneh ، S. (2010). توسعه یک مدل شبکه عصبی تکاملی برای پیش بینی شاخص سهام. مقاله ارائه شده در کنفرانس بین المللی محاسبات هوشمند.
• Haider ، A. ، & Hanif ، M. N. (2009). پیش بینی تورم در پاکستان با استفاده از شبکه های عصبی مصنوعی. بررسی اقتصادی و اجتماعی پاکستان ، 123-138.
• Hassanin ، M. F. ، Shoeb ، A. M. ، & Hassanien ، A. E. (2016). الگوریتم شبکه عصبی مبتنی بر بازگشت بهینه گرگ خاکستری. مقاله ارائه شده در دوازدهمین کنفرانس بین المللی مهندسی کامپیوتر 2016 (ICENCO).
• Idris ، M. A. ، Saiang ، D. ، & Nordlund ، E. (2015). ارزیابی تصادفی از ثبات ستون در معدن Laisvall با استفاده از شبکه عصبی مصنوعی. تونلینگ و فناوری فضای زیرزمینی ، 49 ، 307-319.
• Ismael ، M. ، Heikal ، M. ، & Baharom ، M. (2013). ویژگی های جت گاز طبیعی فشرده شده و جت دیواری با استفاده از تکنیک تصویربرداری Schlieren. مقاله ارائه شده در سری کنفرانس IOP: زمین و علوم محیط زیست.
• جو ، H. Y. ، Ruiz Estrada ، M. A. ، & Yap ، S. F. (2016). تکامل نظریه سیستم های پیچیده و پیشرفت روش های اکونوفیزیک در مطالعه تصادفات بازارهای سهام. بولتن Labuan از تجارت و دارایی بین المللی (LBIBF) ، 14 (1).
• Jóhannsson ، ó. س. (2020). پیش بینی بازار سهام ایسلندی با استفاده از یک شبکه عصبی (پایان نامه دکتری).
• Krauss ، C. ، Do ، X. A. ، & Huck ، N. (2017). شبکه های عصبی عمیق ، درختان شیب دار ، جنگل های تصادفی: داوری آماری در S& P 500. مجله اروپایی تحقیقات عملیاتی ، 259 (2) ، 689-702.
• LV ، D. ، Yuan ، S. ، Li ، M. ، & Xiang ، Y. (2019). یک مطالعه تجربی از الگوریتم های یادگیری ماشین برای استراتژی معاملات روزانه سهام. مشکلات ریاضی در مهندسی ، 2019.
• Wang ، F. F. Chan ، Y. Wang and Q. Chang ، "پیش بینی قیمت مسکن عمومی با استفاده از شبکه های عصبی با تأخیر ،" کنفرانس منطقه 10 IEEE 2016 (Tencon) ، 2016 ، صص 3589-3592 ، doi: 10. 1109/tencon. 2016. 784848726.
• Mirjalili ، S. (2015). الگوریتم بهینه سازی پروانه شعله: یک الگوی جدید اکتشافی با الهام از طبیعت. سیستم های مبتنی بر دانش ، 89 ، 228-249.
• Mirjalili ، S. ، & Lewis ، A. (2016). الگوریتم بهینه سازی نهنگ. پیشرفت در نرم افزار مهندسی ، 95 ، 51-67.
• Naseer ، M. ، & Bin Tariq ، D. (2015). فرضیه بازار کارآمد: یک بررسی انتقادی از ادبیات. مجله IUP مدیریت ریسک مالی ، 12 (4) ، 48-63.
• Panahian ، H. (2018). مدل سازی P/E و پیش بینی بنگاه های ذکر شده در بورس اوراق بهادار تهران. یک رویکرد جدید برای الگوریتم جستجوی هارمونی و هیبریداسیون شبکه عصبی. مجله مطالعات مدیریت ایرانی ، 11 (4) ، 765-786.
• Prasanna ، S. ، & Ezhilmaran ، D. (2013). تجزیه و تحلیل در مورد پیش بینی بازار سهام با استفاده از تکنیک های داده کاوی. مجله بین المللی علوم و فناوری مهندسی کامپیوتر (IJCSET) ، 4 (3) ، 49-51.
• Preethi ، G. ، & Santhi ، B. (2012). تکنیک های پیش بینی بازار سهام: یک نظرسنجی. مجله فناوری اطلاعات نظری و کاربردی ، 46 ، 24-30.
• راجش و همکاران (2019). پیش بینی روند سهام با استفاده از تکنیک های یادگیری گروه در مجله بین المللی فناوری نوآورانه پایتون و کاوش مهندسی (IJITEE) ، 8 (5).
• Rana ، N. ، Latiff ، M. S. A. ، Abdulhamid ، S. I. M. ، & Chiroma ، H. (2020). الگوریتم بهینه سازی نهنگ: یک بررسی منظم از برنامه های معاصر ، اصلاحات و تحولات. محاسبات عصبی و برنامه های کاربردی ، 1-33.
• در عوض ، A. M. ، Agarwal ، A. ، & Sastry ، V. (2015). شبکه عصبی مکرر و یک مدل ترکیبی برای پیش بینی بازده سهام. سیستم های خبره با برنامه های کاربردی ، 42 (6) ، 3234-3241.
• در عوض ، A. M. ، Sastry ، V. ، & Agarwal ، A. (2017). پیش بینی بازار سهام و مدل های انتخاب نمونه کارها: یک نظرسنجی. Opsearch ، 54 (3) ، 558-579.
• Ravichandran ، K. ، Thirunavukarasu ، P. ، Nallaswamy ، R. ، & Babu ، R. (2005). تخمین بازده سرمایه گذاری در بازار سهم از طریق ANN. مجله فناوری اطلاعات نظری و کاربردی ، 3.
• Safa ، M. ، & Panahian ، H. (2019). رتبه بندی عوامل پیش بینی کننده P/E در بورس اوراق بهادار تهران با استفاده از الگوریتم اکتشافی متا اکتشافی جستجوی هارمونی.
• Samadisoufi ، R. ، & Noraei ، M. تأثیر برجسته هوش تجاری بر فرآیندهای تجاری داخلی و نقش فرهنگ تصمیم گیری تحلیلی مربوط به آن (موضوع مطالعه: بیمه آسیا استان زنجان). cumhuriyet üniversitesi fen-Edebiyat fakültesi fen bilimleri dergisi ، 36 (3) ، 2971-2981.
• Sedighi ، M. ، Jahangiia ، H. ، Gharakhani ، M. ، & Farahani Fard ، S. (2019). یک مدل جدید ترکیبی برای پیش بینی قیمت سهام بر اساس متهورستیک و دستگاه بردار پشتیبانی. داده ها ، 4 (2) ، 75.
• Sengupta ، S. ، Basak ، S. ، & Peters ، R. A. (2019). بهینه سازی ذرات ذرات: بررسی تحولات تاریخی و اخیر با دیدگاه هیبریداسیون. یادگیری ماشین و استخراج دانش ، 1 (1) ، 157-191.
• Sezer ، O. B. ، Ozbayoglu ، M. ، & Dogdu ، E. (2017). یک سیستم معاملاتی سهام مبتنی بر شبکه عصبی مبتنی بر پارامترهای تجزیه و تحلیل فنی بهینه سازی شده تکاملی. علوم کامپیوتر رویه ، 114 ، 473-480.
• Sheela ، K. G. ، & Deepa ، S. N. (2013). بررسی روشهای رفع تعداد نورون های پنهان در شبکه های عصبی. مشکلات ریاضی در مهندسی ، 2013.
• Shehab ، M. ، Abualigah ، L. ، Al Hamad ، H. ، Alabool ، H. ، Alshinwan ، M. ، & Khasawneh ، A. M. (2020). الگوریتم بهینه سازی پروان ه-FLAME: انواع و برنامه ها. محاسبات عصبی و برنامه های کاربردی ، 32 (14) ، 9859-9884.
• سیامی-نامینی ، س. ، و نامین ، A. S. (2018). پیش بینی اقتصاد و سری زمانی مالی: Arima در مقابل LSTM. arxiv preprint arxiv: 1803. 06386.
• Sin, E., & Wang, L. (2017, ژوئیه). پیش بینی قیمت بیت کوین با استفاده از مجموعه شبکه های عصبیدر سال 2017 سیزدهمین کنفرانس بین المللی محاسبات طبیعی، سیستم های فازی و کشف دانش (ICNC-FSKD) (ص. 666-671). IEEE.
• وانگ، تی، گائو، اچ، و کیو، جی (2015). یک شبکه عصبی تطبیقی ترکیبی و کنترل پیش بینی مدل غیرخطی برای کنترل فرآیند صنعتی شبکه ای چند نرخیمعاملات IEEE در شبکه های عصبی و سیستم های یادگیری، 27 (2)، 416-425.
• Wei، L.-Y.، & Cheng، C.-H.(2012). یک مدل شبکه های عصبی بازگشتی ترکیبی بر اساس ویژگی های سنتز برای پیش بینی بازار سهام تایوان. بین المللیJ. Innov. محاسبه کنید. Inf. کنترل، 8 (8)، 5559-5571.
• Yang، J.-S.، Nam، H.-J.، Seo، M.، Han، S. K.، Choi، Y.، Nam، H. G.، ... کیم، اس (2011). OASIS: برنامه آنلاین برای تجزیه و تحلیل بقای سنجش طول عمر انجام شده در تحقیقات پیری. PloS one، 6(8)، e23525.
• Zhang, G. P., Patuwo, B. E., & Hu, M. Y. (2001). مطالعه شبیه سازی شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی غیرخطی. کامپیوتر و تحقیقات عملیات، 28 (4)، 381-396.
• Zhang, J., Cui, S., Xu, Y., Li, Q., & Li, T. (2018). یک سیستم جدید پیش بینی روند قیمت سهام مبتنی بر داده ها. سیستم های خبره با برنامه های کاربردی، 97، 60-69.
• ژنگ، تی، فتالیف، ک.، و وانگ، ال. (2013، مه). شبکه های عصبی موجک برای معاملات سهام. در تجزیه و تحلیل اجزای مستقل، نمونه برداری فشرده، موجک ها، شبکه عصبی، بیوسیستم ها، و مهندسی نانو XI (جلد 8750، ص 87500A). انجمن بین المللی اپتیک و فوتونیک.