پيش بيني شاخص سهام با استفاده از تركيب شبكه عصبي مصنوعي و مدل هاي فرا ابتكاري جستجوي هارموني و الگوريتم ژنتيك

فاقد عنوان لاتين

هدف پژوهش حاضر پيش بيني شاخص قيمت بورس اوراق بهادار تهران با استفاده از مدل شبكه عصبي هيبريدي مبتني بر الگوريتم ژنتيك و جستجوي هارموني است. مربوط ترين نماگرهاي تكنيكي به عنوان متغيرهاي ورودي و تعداد بهينه نرون در لايه پنهان شبكه عصبي مصنوعي با استفاده از الگوريتم هاي فراابتكاري ژنتيك و جستجوي هارموني حاصل مي گردد. مقادير روزانه شاخص قيمت بورس اوراق بهادار تهران از تاريخ 1/10/91 الي 30/9/94 جهت پيش بيني شاخص قيمت و آزمون آن استفاده مي شود. دقت پيش بيني سه مدل شبكه عصبي عادي، شبكه عصبي هيبريدي مبتني بر الگوريتم ژنتيك و شبكه عصبي هيبريدي مبتني بر جستجوي هارموني بر اساس ميزان خطاي پيش بيني ارزيابي مي گردد. نتايج حاصله نشان مي دهد دقت پيش بيني مدل هاي فراابتكاري ژنتيك و جستجوي هارموني در دوره آزمون بالاتر از شبكه عصبي عادي است. همچنين پيش بيني مدل شبكه عصبي هيبريدي مبتني بر جستجوي هارموني در دوره آزمون نسبت به مدل شبكه عصبي مصنوعي هيبريدي مبتني بر الگوريتم ژنتيك از دقت بالاتري برخوردار است.

This study is aimed to predict the price index of Tehran Stock Exchange using hybrid Artificial Neural Network (ANN) models based on Genetic Algorithms (GA) and Harmony Search (HS). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network are achieved by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate