توسعه ي مدلي تركيبي هوشمند براي پيش بيني بازار سهام تهران

Developing an intelligent Hybrid Model for Predicting Tehranʹʹs Stock Exchange

اخيراً مساله اي كه توجه زيادي را به خود جلب كرده، پيشرفت فزآينده بازارهاي پولي و مالي مي باشد. هم اكنون يكي از اهداف اصلي گردانندگان بازارهاي پولي و مالي اين است كه هر كسي، با هر سليقه و هر مقدار و انتخاب هر نوع دارايي بتواند وارد اين بازارها شده؛ فرصت هاي مناسب سرمايه گذاري را تشخيص دهد و در صورت تشخيص صحيح بتواند سود مناسبي كسب نمايد. در توسعه و به كارگيري يك مدل پيش بيني، يكي از مسايل مهمي كه بايد مورد توجه قرار گيرد دقت آن ها در مدل كردن روندهاي آشوبناك و غيرخطي موجود در اكثر سيستم هاست .امروزه مدل هاي هوش مصنوعي از قبيل شبكه هاي عصبي مصنوعي، منطق فازي و الگوريتم هاي ژنتيك به دليل توانمندي بالايي كه در مدل كردن مسايل پيچيده مهندسي و سيستم هاي غيرخطي دارند به موضوع رايج تحقيقات در حوزه هاي مختلف تبديل شده اند. در همين راستا با توجه به رويكرد سيستم هاي هوشمند در پيش بيني بازارهاي مالي مدل تركيبي هوشمند بَت- عصبي ارايه داده شدكه نتايج حاصل از پيش بيني دو نماد بيمه آسيا و مخابرات ايران در بازار بورس تهران نشان داد اين مدل با دقت بالاتري نسبت به مدل هاي مقايسه اي ژنتيك عصبي و... عمل مي كند.

Creating an intelligent system that can accurately predict stock price in a robust way has always been a subject of great interest for many investors and financial analysts. Predicting future trends of financial markets is more remarkable these days especially after the recent global financial crisis. So traders who have access to a powerful engine for extracting helpful information throw raw data can meet the success. In this paper we propose a new intelligent model in an intelligent framework called bat-neural network (BNN) to predict stock price. The capability of BNNMAS evaluated by applying on two sets of Tehran Stock Exchange data and comparing the outcomes with the results of other methods such as genetic algorithm neural network (GANN) and some standard models like Generalized Regression Neural Network (GRNN). The results show that BNN significantly performs better than others, so it can be considered as a suitable tool for predicting stock price especially in a long term periods.