بررسي خطاي پيش‌بيني تغييرات شاخص قيمت سهام در صنعت مواد و محصولات دارويي با استفاده از الگوريتم‌هاي هوش مصنوعي

Investigating the Prediction Error of the Stock Price Index Changes in the Material Industry and Pharmaceutical Products via Artificial Intelligence Algorithms

مقدمه: شاخص قيمت سهام بورس نشان‌دهنده وضعيت اقتصادي كلي يك كشور است. به همين دليل، پيش‌بيني اين شاخص براي سرمايه‌گذاران از اهميت بسزايي برخوردار است. هدف پژوهش حاضر پيش‌بيني تغييرات شاخص قيمت سهام در بورس اوراق بهادار تهران با استفاده از شبكه‌هاي عصبي است. روش پژوهش: براي انجام اين پژوهش از داده‌هاي شركت‌هاي صنعت مواد و محصولات دارويي پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني 1391-1385 استفاده شده است. از بين 48 متغير ورودي 10 متغير به وسيله الگوريتم بهينه‌سازي حركت دسته‌جمعي ذرات انتخاب شد. اين الگوريتم تركيب بهينه‌اي از متغيرهاي تاثيرگذار را شناسايي كرده كه متغيرهاي مستقل اين پژوهش است. سپس، داده‌هاي مربوط به متغيرهاي انتخاب شده به طور جداگانه به الگوريتم‌هاي كرم شب‌تاب، توابع پايه شعاعي، شبكه‌هاي چند لايه پرسپترون، رقابت استعماري و شبكه تطبيقي بر اساس نظام‌هاي با منطق فازي وارد شد و اين الگوريتم‌ها آموزش داده شد. در ادامه، الگوريتم‌هاي مذكور با داده‌هاي ارزيابي، آزموده شده و به اين ترتيب خطاي پيش‌بيني مشخص و بر اساس آن به مقايسه روش‌ها پرداخته شد. براي اين منظور از نرم‌افزارهاي متلب نسخه‌هاي 6 و 7 و SPSSنسخه 11 استفاده شد. يافته‌ها: استفاده از متغيرهاي تاثيرگذار بر پيش‌بيني تغييرات شاخص قيمت سهام در الگوريتم‌هاي مورد استفاده در پژوهش حاضر توانسته است خطاي پيش‌بيني تغييرات شاخص قيمت سهام در سطح صنعت مواد و محصولات دارويي را كاهش دهد. نتيجه‌گيري: نتايج پژوهش نشان مي‌دهد كه الگوريتم رقابت استعماري عملكرد بهتري نسبت به ساير الگوريتم‌ها دارد. هم‌چنين، الگوريتم‌هاي پيشنهادي در مجموع توانايي بالايي در پيش‌بيني شاخص قيمت سهام دارد و خروجي داده‌ها براي الگوريتم رقابت استعماري، ضريب همبستگي 9404/0 را نشان مي‌دهد. واژه‌هاي كليدي: الگوريتم‌هاي فازي، تغييرات شاخص قيمت سهام، مواد و محصولات داروي.

Introduction: The stock price index represents the overall economic situation of a country. Therefore, predicting this index is important for investors. The aim of this research is predicting the stock price index changes of the Tehran Stock Exchange by using neural networks. Method: In order to carry out this research, the data collected from the material industry and pharmaceutical products listed on the Tehran Stock Exchange during 2007-2013 have been used. Among 48 input variables, 10 input variables were selected by Particle Swarm Optimization Algorithm. This algorithm identifies an optimal combination of influential variables which include the independent variables of this research. Afterwards, the data relevant to the selected variables were inserted separately into the Firefly Algorithms, Radial Basis Functions, Multi-Layer Perceptron Networks, Imperialist Competitive Algorithm, and Adaptive Grid Scheme based on the Fuzzy Logic Systems, and then, these algorithms were taught. Next, the above mentioned algorithms have been tested by the estimated data; hence, the prediction error has been identified, and according to that, these methods have been compared. For this purpose, SPSS Software Version 11 and MATLAB Software Versions 6 and 7 were used. Results: Applying the influential variables in the predicting of the stock price index changes in the used algorithms in this research can reduce the prediction errors of the stock price index in the material industry and pharmaceutical products. Conclusion: The results of the research show that the Imperialist Competitive Algorithm has a better performance in relation to the other algorithms. Moreover, the suggested algorithms, in general, have a high ability in predicting the stock price index, and the output data for Imperialist Competitive Algorithm indicate the correlation coefficient of 0.9404. Keywords: Fuzzy Algorithms, Materials Industry and Pharmaceutical Products, The Stock Price Index Changes.