پيش بيني قيمت سهام با استفاده از مدل تركيبي شبكه‌هاي عصبي

Forecasting Stock Prices via Combined Neural Networks

پيش بيني عبارت است از فرايند ايجاد تصوير از وضعيت آينده با استفاده از داده هاي موجود. پيش بيني سري هاي زماني به خصوص در مديريت مالي بيش از يك دهه است كه مورد توجه مي باشد. شبكه عصبي مصنوعي يك روش منعطف يادگيري براي پيش بيني سري هاي زماني مي باشد. پيش بيني قيمت سهام به كمك كشف الگوهاي رفتاري مولد قيمت سهام امكان پذير مي باشد. در اين تحقيق ، يك مدل ابتكاري بر مبناي شبكه هاي عصبي مصنوعي، براي پيش بيني رفتار قيمت سهام توسعه داده شده است. اين مدل تركيبي ، بصورت ساختار دو طبقه مي باشد: شبكه هاي عصبي طبقه اول يا پيش بيني بيني كننده هاي مستقل پايه، مسيول پيش بيني روزانه قيمت سهام ، حجم معاملات و تغييرات قيمت مي باشند. در طبقه دوم شبكه ديگر به عنوان تركيب كننده ، پيش بيني نهايي را با استفاده از خروجي هاي پيش بيني كننده هاي طبقه اول انجام مي دهد. بدين منظور از سه نوع داده بازار بورس تهران كه بصورت روزانه گزارش مي شود ، استفاده شده است. يكي از اهداف تحقيق ، استفاده از داده هاي مختلف بازار بورس براي بدست آوردن نتايج بهتر در پيش بيني مي باشد. نتايج تجربي تحقيق نشان مي دهد كه مدل پيشنهادي داراي دقت بالا بوده و مناسب براي پيش بيني قيمت سهام مي باشد.

Forecasting is a process of picturing the future condition according to existing data. For more than a decade, time series forecasting has been focused on, especially in finance management. The artificial neural network is a flexible learning method for time series forecasting. Stock price forecasting is possible by detecting the behaviorial patterns of the process of the stock price fluctuation. In this paper, we focus on the development of an innovative stock market price forecasting model based on artificial neural network .The model contains two levels. First level neural networks, or the independent base forecasters, forecast stock prices, volume of transactions, and price changes. In second level, another neural network as combiner does the final forecasting according to the outputs of first level. For this purpose, we have used three types of data reported daily in Tehran stock exchange (TSE). One important aim of our research is to use various types of stock market data in order to achieve better forecasts. The practical results of the study show that combined neural networks model has a high precision and it is suitable for stock price forecasting Keywords: neural networks, combined predictor, stock price, volume of transactions, price changes