كاربرد تركيب شبكه عصبي پرسپترون چند لايه و الگوريتم رقابت استعماري در پيش‌بيني بازده سهام

The Usage of Multilayer Perceptron Neural Network and ICA Algorithm in Stock`s Return Prediction

در اين پژوهش هدف تعيين الگويي با استفاده از متغييرهاي مالي جهت بالا بردن توان تصميم گيري استفاده كنندگان صورت‌هاي مالي در پيش بيني بازده سهام شركت ها مي باشد. بدين منظور به بررسي توانمندي دو الگوريتم شبكه عصبي پرسپترون چند لايه و الگوريتم رقابت استعماري در اين زمينه پرداخته شد. نمونه هاي مورد استفاده در اين پژوهش شامل شركت‌هاي پذيرفته شده در بازار سرمايه ايران در بين سال هاي 1390 تا 1394 مي باشد. اين شركت ها به دو گروه آموزشي شامل شركت-سال ابتدايي (شركت-سال هاي 90 تا 93) و گروه آزمايشي متشكل از شركت-سال انتهايي (شركت-سال 94)، تفكيك گرديدند. براي پيش بيني بازده سهام شركت ها از نسبت هاي مالي پيش بيني كننده بازده سهام كه پژوهش‌هاي پيشين بكاررفته استفاده گرديد. نتايج اين مطالعه نشان داد كه تركيب مدل شبكه عصبي پرسپترون چند لايه و الگوريتم رقابت استعماري، با خطاي 0.00481 داراي قدرتمندي بيشتري در پيش‌بيني بازده سهام نسبت به مدل شبكه عصبي پرسپترون چند لايه با خطاي 0.1431 مي‌باشد.

In this research, the goal is to determine the pattern by using financial variables to enhance the decision-makers' ability to use financial statements to predict corporate returns. For this purpose, the ability of two multi-layer perceptron neural network algorithms and colonial competition algorithm was investigated. The samples used in this study include companies accepted in the capital market of Iran between 2011 and 2015. The companies were divided into two educational groups: the company-years of the company (2011-2014 years) and the experimental group consisting of the company-year-end (company-year 2015). In order to predict the returns of the companies, the financial ratios predict the stock returns used by previous research. The results of this study showed that the combination of neural network model of multilayer perceptron and colonial competition algorithm with a 0.00481 error is more powerful in predicting stock returns than the multi-layer perceptron neural network model with a 0.1431 error.