پيش بيني بازده بازار سرمايه با استفاده از الگوي يادگيري الگوريتم لورنبرگ ماركوات, گراديان نزولي و الگوي آريما (ARIMA)

Predicting Capital Market Returns Using the Learning Model of Levenberg-Marquardt, Gradient descent and ARIMA Algorithm

پژوهش حاضر بر اساس ارزيابي الگوي يادگيري الگوريتم لورنبرگ ماركوات، گراديان نزولي و الگوي آريما به مقايسه و توانايي پيش بيني كنندگي در بازار سرمايه مي پردازد. بدين منظور داده هاي بازار در سال هاي 1394 تا 1397 مورد استفاده قرار گرفت و بيش از 75 درصد از اين داده ها تا قبل از سال 1397 به عنوان داده هاي آموزشي استفاده شد و داده هاي يك سال پاياني نيز به عنوان داده هاي آزمايشي مورد استفاده قرار گرفته شده است. نتايج تحقيق نشان داده اند، شبكه هاي عصبي مصنوعي ظرفيت بالايي براي پيش بيني قيمت دارند. مقايسه نتايج و عملكرد شبكه هاي عصبي و الگوي آريما (ARIMA) حاكي از آن است كه شبكه عصبي قدرت پيش بيني بالاتري در مقايسه با الگوي خطي آريما (ARIMA) دارد، همچنين مقايسه عملكرد و دقت پيش بيني دو نوع شبكه عصبي با الگوريتم يادگيري لونبرگ ماركوارت و الگوريتم يادگيري گراديان نزولي نشان داد كه استفاده از الگوريتم يادگيري لونبرگ ماركورات توانسته است دقت پيش بيني شبكه عصبي را افزايش داده و خطاي آن را كاهش دهد، بنابراين بر پايه پژوهش انجام شده مي توان چنين نتيجه گرفت كه الگوريتم يادگيري لونبرگ ماركوارت قدرت پيش بيني شبكه عصبي را بهبود مي بخشد.

The present study compares and predicts the predictive ability of the capital market based on the learning pattern of the Levenberg-Marquardt algorithm, the Gradient descent and the ARIMA Algorithm. For this purpose, market data were used in the period from 1394 to 1397, and more than 75% of these data were used as training data prior to 1397, and one year end data were used as data. The results of the evaluation of the research data show that artificial neural networks have a high capacity for price prediction. The results also showed that in both training data series from 1394 to 1396 and experimental of 1397 the comparison of the results and performance of ARIMA neural networks (ARIMA) showed that the neural network had higher predictive power in Comparing with the performance and prediction accuracy of two types of neural networks with the Levenberg-Marquardt learning algorithm and the Gradient descent learning algorithm using the Levenberg-Marquardt learning algorithm has been able to increase the neural network prediction accuracy an‎d reduce its error, so, the results of the present study show, the Levenberg-Marquardt learning algorithm improves the predictive power of the neural network.