پيش‌بيني شاخص كل بورس اوراق بهادار تهران با رويكرد سيستم استنتاج عصبي- فازي انطباق پذير و الگوريتم رقابت استعماري

Tehran Stock Exchange Index Forecasting Using Approach Adaptive Neural-Fuzzy Inference System and Imperialist Competitive Algorithm

در اين پژوهش يك روش نوين تركيبي براي پيش­بيني شاخص كل بورس اوراق بهادار تهران ارائه شده است كه هم­زمان از الگوريتم رقابت استعماري به‌عنوان روش انتخاب ويژگي و شبكه فازي عصبي انطباق انطباق‌پذير به‌عنوان تابع پيش‌بيني كننده استفاده مي­نمايد. براي انجام اين امر از 68 ويژگي مؤثر بر بازار بورس اوراق بهادار؛ كه شامل شاخص ­هاي اقتصادي، شاخص ­هاي بورس ايران و ساير كشورها، شاخص‌هاي تحليل فني و شاخص ­هاي شمعدان ژاپني به‌صورت روزانه در بازه زماني 1389-1395 به‌عنوان ورودي مدل استفاده شده است. همچنين، شاخص كل بورس اوراق بهادار روز آتي به‌عنوان متغير هدف مسئله مسأله در نظر گرفته شده است. نتايج به‌دست‌آمده نشان مي­دهد كه مدل تركيبي شبكه عصبي- فازي انطباق انطباق‌پذير و الگوريتم رقابت استعماري پيش­بيني­ هاي بسيار مناسب­تري داشته و به نسبت شبكه­ هاي عصبي منفرد از سرعت بالاتر و توانايي تقريب قوي­تري براي پيش­بيني شاخص كل بورس اوراق بهادار برخوردار بوده است.

vStock market has been one of the most influential economic phenomena in the world for many years. The main players in the stock market are investors that are always looking to make the most profit. Since prices of stock market transactions is Impressionable from political, economic, social problems and the high volatility of prices, the prediction of stock market is very difficult. The main solution for more profits in the market is making the right decisions about buying and selling appropriate stocks in appropriate time. Therefore, prediction is the most important requirements for traders. I this research, a new hybrid algorithm is proposed that uses imperialist competitive algorithm as a feature selection method and fuzzy adaptive neural inference system as a prediction function. This approach uses 63 features that affect the stock market, including economic features, Iran and other countries stock market indexes, technical analysis indexes and Japanese Candlestick on a daily basis in the period from 2010-2016. The Exchange Stock Index for the next day is considered as the target variable. The results show that the hybrid model includes Adaptive Neural Fuzzy Inference System (ANFIS) and Imperialist Competitive Algorithm, is much appropriate. This model is compared with a single ANFIS model has better approximation speed and the ability to predict the sto