مدل فازي عصبي با تركيب الگوريتم ژنتيك جهت پيش بيني قيمت سهام در صنعت خودرو در بورس اوراق بهادار تهران

Fuzzy – neural model with hybrid genetic algorithms for stock price forecasting in auto industry in Tehran security exchange

تعيين زمان بهينه و قيمت مناسب خريد و فروش سهام نقش بسزايي در تصميمات سرمايه‌گذاري در بازار سرمايه و سود و زيان سرمايه‌گذار دارند. مي‌توان از سيستم‌هاي هوشمند غيرخطي همچون شبكه عصبي مصنوعي، شبكه عصبي فازي و الگوريتم ژنتيك براي پيش‌بيني تغييرات قيمت سهام استفاده نمود. در اين مقاله به طراحي و ارائه يك مدل پيش‌بيني قيمت سهام با استفاده از سيستم استنتاج عصبي فازي انطباقي و تركيب آن با الگوريتم ژنتيك پرداخته شده است كه در آن از دو دسته مختلف متغيرهاي فني و بنيادي به‌عنوان ورودي‌هاي مدل استفاده مي‌شود. خروجي‌هاي حاصل از شبكه نشان مي دهد ميزان خطاي پيش‌بيني هر دو دسته از ورودي هاي بنيادي و فني تا حد قابل قبولي پايين است و اين سيستم‌ها از توانايي لازم براي پيش‌بيني قيمت روزانه سهام برخوردار مي‌باشند. براي ارزيابي دقت مدل، آزمون من ويتني انجام گرديد كه با توجه به ورودي‌هاي مشخص شده براي دو حالت بنيادي و فني، مشاهده گرديد كه تقريباً تفاوت معناداري بين نتايج پيش‌بيني قيمت در اين دو روش وجود ندارد. هر دو روش بنيادي و فني به شرط آنكه حداقل يكي از ورودي‌هاي آنها وابستگي خطي با قيمت داشته باشد، قادر به پيش‌بيني قيمت روز آتي با ضريب خطاي نسبتاً قابل قبولي خواهند بود. همچنين در خصوص سهامي كه ميزان نوسانات قيمتي آن زياد است، استفاده از رويكرد شبكه عصبي منجر به افزايش سطح خطاي پيش‌بيني خواهد گرديد و توصيه مي‌شود از اين روش براي پيش‌بيني قيمت سهام پرنوسان استفاده نشود.

Selection of appropriate time and price in trading stocks has an important role in investment decisions on profit and loss of investors in capital markets. Nonlinear intelligent systems, such as artificial neural networks, fuzzy- neural networks and genetic algorithms, would be used to forecast stock prices motions. In this article,a model of stock prices motions has been designed using Adaptive Neuro- Fuzzy Inference System (ANFIS)integrated with genetic algorithm, in which two different groups of fundamental and technical variables have been employed as model inputs. According to Model outputs,the rate of forecasting errors in both groups of inputs is not significant and these systems are able to forecast daily stock prices. The Mann-Whitney test has been used to measure the accuracy of models and it was found that there is no significant difference between results of prices forecasted in both methods. Both methods are able to forecast next day price with an insignificant error provided that at least one of the inputs in both methods has a linear dependence with price, . Also, results show that these systems do not work properly to forecast prices of high volatility stocks