شناسايي اثربخش ترين مدل پيشگويي قيمت سهام شركتهاي فعال در بازار بورس اوراق ‏بهادار ساختار يافته با شبكه عصبي مصنوعي

Identification of the most effective predictive model for stocks of active stock companies in the stock market structured with artificial neural network

در اين مطالعه، به منظور پيش بيني قيمت سهام، شبكه عصبي مصنوعي با الگوريتم پيش انتشارخطا، الگوريتم بهينه سازي ازدحام ذرات و الگوريتم رقابت استعماري و با به كارگيري داده هاي روزانه شاخص كل و همچنين قيمت روزانه 14-سهم انتخاب شده از بورس اوراق بهادار تهران آموزش داده شد. تعيين مناسب ترين الگوريتم تكاملي رايج به كار گرفته شده در الگوريتم هاي پيش بيني قيمت سهم با شبكه عصبي مصنوعي، ضمن قابل قبول بودن و قابل اطمينان بودن دقت محاسبه شده، هدف اين تحقيق مي باشد. پس از بررسي زمان اجراي هريك از الگوريتم ها در حالتي كه مراحل تكرار محدود (1000مرحله) است، به اين نتيجه ميرسيم كه زمان با دقت رابطه عكس دارد و نمي توان الگوريتمي را يافت كه ضمن اينكه داراي دقت مناسب است، داراي سرعت مناسب نيز باشد. در اين مطالعه، پس از جمع آوري داده ها از پايگاه داده بورس اوراق بهادار تهران ابتدا با استفاده از روش تبديل موجك ويژگي هاي اصلي داده ها استخراج ميشوند و به عنوان ورودي در جهت پيش بيني به شبكه عصبي پرسپترون چندلايه آموزش داده شده توسط الگوريتم هاي نام برده بررسي مي گردند.

In this study, in order to predict the stock price, the artificial neural network with an error-prone algorithm, particle swarm optimization algorithm and colonial competition algorithm, and using the daily data of the total index as well as the daily price of the 14-share selected from the stock exchange Tehran was taught. The purpose of this study is to determine the most suitable commonly used evolutionary algorithm used in stock price prediction algorithms with artificial neural network, while acceptability and reliability of calculated accuracy. After examining the runtime of each of the algorithms in the case of finite repetition (1000 steps), we conclude that the time is precisely correlated with the image and that it is impossible to find an algorithm that has the correct accuracy with the appropriate speed too . In this study, after collecting data from the Tehran Stock Exchange database, we first extracted the main characteristics of the data using the wavelet transform method, and as inputs in order to predict the multilevel perceptron neural network trained by algorithms The name of the slave is checked.