پيش بيني قيمت سهام شركت هاي بورس اوراق بهادار تهران با استفاده از شبكه هاي عصبي مصنوعي

Predicting the Stock Price of Companies in Tehran Stock Exchange Using Artificial Neural Networks

پيش ­بيني تغيير قيمت سهام به عنوان يك فعاليت چالش ­انگيز در پيش ­بيني سري هاي زماني مالي در نظر گرفته مي­شود. يك پيش­ بيني صحيح از تغيير قيمت سهام مي­تواند سود زيادي را براي سرمايه ­گذاران به بار آورد. با توجه به پيچيدگي داده­هاي بازار بورس، توسعه مدل­هاي كارآمد براي پيش­ بيني بسيار دشوار است. در اين پژوهش، مدلي براي پيش ­بيني قيمت سهام شركت­هاي بورس اوراق بهادار تهران با بكارگيري داده­هاي درون­زا و برون­زاي شركت توسط شبكه ­هاي عصبي مصنوعي (پرسپترون چندلايه) ارائه شده است. همچنين مطالعه حاضر درصدد نشان دادن توانايي قابل ­قبول، شبكه­ هاي عصبي مصنوعي، خصوصاً شبكه ­هاي پس انتشار با الگوريتم ­هاي توسعه­ يافته، به منظور پيش­ بيني قيمت سهام شركت­ها است. علاوه بر اين موضوع، با توجه به استفاده از داده­هاي كلان اقتصادي مثل نرخ تورم، قيمت ارز، شاخص ­هاي كلان بورس اوراق بهادار و قيمت طلا همراه با داده­ هاي دروني شركت (نسبت­هاي مالي و اطلاعات سهام) در مدل پيشنهادي، اين پژوهش نتايجي با قابليت اتكاي بيشتر نسبت به پژوهش­هاي مشابه، ارائه شده است. نتايج اين تحقيق نشان مي­دهد كه معماري 3 لايه با 8 نورون در لايه اول، 4 نورون در لايه دوم و 2 خروجي و معماري 2 لايه با 12 نورون در لايه اول و 2 خروجي مدل­ هاي مناسبي مي ­باشند.

Forecasting changes of stock price on financial markets has been one of the biggest challenges in forecasting financial time series. A reliable forecast of changes in stock price can be extremely profitable to stockholders. Due to the intrinsic complexity of financial data in stock market, developing a practical model for forecasting fluctuations in stock price is challenging. This paper represents a model for stock price prediction for the firms in Tehran Stock Exchange by using internal and external data of the firm based on artificial neural networks (Perceptron multi - layers). This paper also demonstrates the ability of artificial neural networks particularly with structured back propagation patterns to predict stock prices in firms. Furthermore by using macro - economic data such as rate of inflation, foreign currency exchange rate, Tehran stock exchange macro indexes and gold price besides internal data of the firm (financial ratio and stock information) in this model, results prove to be reliable than other similar studies in this field. Results show that network architecture of 3 layers and 8 neurons in the first layer, 4 neurons in the second layer and 2 output and a 2 layer architecture with 12 neuron in the first layer and 2 output are suitable models