پيش‌ بيني رفتار بازار سهام بر اساس شبكه‌ هاي عصبي مصنوعي با رويكرد يادگيري جمعي هوشمند

Prediction of Stock Market Behavior Based on Artificial Neural Networks through Intelligent Ensemble Learning Approach

چكيده هدف: پيش‌بيني دقيق بازار سهام براي معامله‌گران اين بازار ارزشمند است. پيش‌بيني سري‌ هاي زماني مالي از دسته مسائل چالشي و مهم در پيش‌بيني است و پژوهشگران تلاش مي‌كنند كه الگوهاي پنهان را براي پيش‌بيني آينده بازار سهام استخراج كنند. هدف اين مقاله ارائه يك مدل هوشمند براي پيش‌بيني رفتار بازار سهام است. روش: اين مقاله، براي افزايش دقت از مدلي بر مبناي الگوريتم‌هاي يادگيري جمعي با مدل‌هاي پايه شبكه‌هاي عصبي استفاده ميكند. براي در نظر گرفتن جهت تغيير قيمت در پيش‌بيني، ساختار دومرحله‌اي بهكار رفته است. در مرحله نخست، جهت بعدي حركت قيمت سهام (افزايش يا كاهش) پيش‌بيني شده و از آن براي پيش‌بيني قيمت در مرحله دوم استفاده شده است. يافتهها: دقت نتايج و افزايش بازده پيش‌بيني، مهم‌ترين چالش مدل‌هاي پيشنهادشده در بازار سهام بهشمار ميرود. نكته مهم براي سودآوري معاملات، توجه به جهت تغيير قيمت سهام در پيش‌بيني قيمت آن است كه در مدل‌هاي پيش‌بيني‌ به اين موضوع توجه كمتري شده است. مدل پيشنهادي با استفاده از روش‌هاي مبتني بر هوش مصنوعي نشان ميدهد كه پيش‌بيني رفتار بازار سهام با وجود ماهيت نوساني و ناپايدار آن، امكانپذير است. نتيجهگيري: نتايج معيارهاي ارزيابي روي داده‌هاي واقعي قيمت سهام نشان مي‌دهد مدل پيشنهاد شده در مقايسه با ساير روش‌ها، با دقت بيشتري مي‌تواند بر نوسانهاي بازار غلبه كرده و به‌عنوان روش قابل ‌اطمينان و عملي در بازارهاي سهام بهكار گرفته شود.

Objective: Accurate forecasting of stock market behavior is invaluable for traders. Forecasting financial time series is among the important and challenging problems and researchers try to extract hidden patterns to predict the future behavior of the stock market. The purpose of this paper is to provide an intelligent model to predict stock market behavior. Methods: This paper employs ensemble learning (EL) algorithm model using neural network base learners to increase the accuracy. In order to consider the direction of price change in the stock price forecasting, a two-stage structure was used. In the first stage, the next direction of the stock price (increase or decrease) was predicted and then it was employed to forecast the price. Results: The most important challenges of the proposed models in the stock market were the accuracy of the results and how to increase the forecasting efficiently. Research in this field has paid little attention to the prediction of the direction of the next movement of stock price, while it is very important regarding the profitability. The use of artificial intelligence-based models has shown that the stock market is predictable despite its uncertain and unstable nature. Conclusion: The evaluation of results in stock market dataset shows that the proposed model suggests higher accuracy compared to other models in the literature. In addition, it can overcome the market fluctuations and can be used as a reliable and applicable model in the stock markets.