پيش بيني شاخص كل بورس اوراق بهادار تهران با استفاده از رويكرد تركيبي الگوريتم هاي فراابتكاري، هوش مصنوعي و معادله پارامتريك موجك

Tehran Stock Exchange Overal Index Prediction using Combined Approach of Metaheuristic Algorithms, Artificial Intelligence and Parametric Mother Wavelet

موضوع شناخت و بررسي رفتار قيمت سهام، همواره يكي از موضوع ­هاي مهم و موردتوجه محافل علمي و سرمايه‌گذاري بوده است. در ساليان گذشته مدل­ هاي گوناگوني براي پيش‌بيني با استفاده از شبكه عصبي و مدل­ هاي تركيبي پيشنهاد شده‌اند كه از مدل­هاي سنتي عملكرد بهتري داشتند. در اين پژوهش يك مدل تركيبي از شبكه عصبي و تبديل موجك پيشنهادشده است كه از الگوريتم ژنتيك براي بهينه ­سازي تابع پايه تبديل موجك با هدف حداكثر نمايي كارايي اين تبديل، استفاده‌شده است. داده ­هاي مورداستفاده براي اين پژوهش داده ­هاي روزانه از تاريخ 02/02/1391 تا تاريخ 30/01/1396 است. نتايج اين پژوهش نشان داد كه با اين روش مي‌توان تابع پايه‌اي متناسب با ويژگي­ هاي ذاتي سري زماني براي پيش‌بيني يافت كه خطاي پيش‌بيني در اين مدل نسبت به مدل شبكه عصبي و مدل تركيبي شبكه عصبي و تبديل موجك كاهش يابد.

Understanding and the investigating the behavior of stock prices, has always been one of the major topics of interest to the investors and finance scholars. In recent years, various models for prediction using neural network and hybrid models have been proposed which have a better performance than the traditional models. Here a hybrid model of neural network and wavelet transform is proposed in which genetic algorithm has been used to improve the performance of wavelet transform in optimizing the wavelet function. Daily stock exchange rates of TSE from April 21, 2012 to April 19, 2017 are used to develop a prediction model. The results show that it is possible to find a wavelet basis, which will be appropriate to the intrinsic characteristics of time series for prediction and the prediction error in this model is reduced comparing to the neural network and hybrid neural network and wavelet models.