یک شبکه عصبی مصنوعی منظم بیزی برای پیش بینی بازار سهام

Authors

  • شعبان محمدی کارشناسی ارشد ریاضی- کارشناسی ارشد حسابداری- دانشگاه حکیم سبزواری و موسسه آموزش عالی حکیم نظامی قوچان
Abstract:

در این مقاله شبکه مصنوعی عصبی تنظیم شده بیزی به عنوان یک روش جدید برای پیش بینی وضعیت مالی بازار پیشنهاد داده شده است. قیمت روزانه بازار و شاخص‌های فنی مالی به عنوان ورودی برای پیش بینی یک روز بعد قیمت سهام فردی بسته شده، استفاده شده است. پیش بینی حرکت قیمت سهام به طور کلی بعنوان یک کار چالش برانگیز و مهم برای تجزیه و تحلیل سری‌های زمانی مالی در نظرگرفته می‌شود. پیش بینی دقیق حرکات قیمت سهام می‌تواند نقش مهمی در کمک به سرمایه‌گذاران برای بهبود بازده سهام بازی کند. پیچیدگی در پیش بینی این روند در اختلال ذاتی و بی ثباتی در حرکت روزانه قیمت سهام نهفته است. شبکه‌های منظم بیزی یک ماهیت احتمالی به وزن‌های شبکه اختصاص داده، اجازه می‌دهد شبکه به طور خودکار و بهینه مدل‌های بیش از حد پیچیده را جریمه کند. روش پیشنهادی بطور بالقوه نیاز بیش از حد به برازش و آموزش را کاهش داده و کیفیت پیش بینی و تعمیم شبکه را ارتقا می‌دهد. آزمایش با سهام شرکت‌های ایران خودرو و سایپا به منظور تعیین اثربخشی مدل انجام شد. دلیل این انتخاب جذابیت صنعت خودرو برای فعالان بازار سرمایه است، زیرا نرخ بازدهی آن نسبت به شاخص کل بورس و شاخص کل صنعت بالاتر است. 

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

ترکیب شبکه های عصبی برای پیش بینی قیمت سهام

در این مقاله، یک مدل ابتکاری با ترکیب شبکه های عصبی مصنوعی (ANN) برای پیش بینی رفتار قیمت سهام پیشنهاد و اجرا می شود. این مدل ترکیبی، به صورت ساختار دو طبقه می باشد: شبکه های عصبی طبقه اول یا پیشگوهای پایه (Base Predictor) مسئول پیش بینی روزانه داده ها با ویژگی مختلف یک سهام می باشند و در طبقه دوم، شبکه دیگر، به عنوان ترکیب کننده پیش بینی نهایی را با بررسی و آنالیز اطلاعات پیشگوهای طبقه اول انج...

full text

مدل ترکیبی شبکه های عصبی مصنوعی پیش خور و خود سازمانده کوهونن برای پیش بینی قیمت سهام

این مقاله ضمن ارائه مدلی ترکیبی از شبکه های عصبی مصنوعی، به بررسی توان پیش بینی کنندگی آنها در مقایسه با مدل های منفرد می پردازد. در این بررسی، با استفاده از شبکه های عصبی ترکیبی متشکل از شبکه های پیش خور و خود سازمانده کوهونن اقدام به پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در پیش بینی قیمت سهام در بازار بورس تهران نشان می دهد ...

full text

کاربرد شبکه های عصبی مصنوعی در پیش بینی شاخص بازدهی نقدی و قیمت سهام

مدل سازی پیش بینی متغیرهای مالی و اقتصادی با توجه به رفتار متغیرها، روش های گوناگونی دارد. تحقیق حاضر، چگونگی پیش بینی بازده سهام در بورس اوراق بهادار تهران را با دو مدل آربیتراژ و شبکه های عصبی مصنوعی مورد آزمون قرار داده است. برای این منظور از اطلاعات روزانه شاخص بازده نقدی و قیمت به عنوان متغیر وابسته و از اطلاعات روزانه قیمت سکه بهار آزادی، حجم معاملات کل بازار و قیمت دلار به عنوان متغیرهای...

full text

ارزیابی مدلهای شبکه عصبی مصنوعی ایستا و پویا در پیش بینی قیمت سهام

پیشبینی آینده در عرصه پویای اقتصاد و بازارهای مالی از جمله بازار بورس به یکی از مهمترین مسائل درعلوم مالی ارتقاء یافته است. همچنین، در دههی اخیر مدلهای شبکه عصبی به علت عملکرد واقع بینانهتر اینمدلها مورد توجه محققین قرار گرفته و از انواع مختلف آنها برای پیشبینی استفاده شده است. اکنون این سئوالمطرح است که، کدام یک از این مدلها قدرت بالاتری برای تبیین فرآیندهای آتی بورس را دارا میباشد؟ در( همین ر...

full text

پیش بینی سقوط بازار سهام با استفاده از شبکه های عصبی نگاشت خود سازمان ده

سقوط بازار پدیده­ای است که سبب از دست رفتن ثروت و دارایی سرمایه‎گذاران در بازۀ زمانی نسبتاً کوتاهی می­شود، از این رو تلاش برای پیش­بینی آن از اهمیت زیادی برای سرمایه­گذاران، سیاست‎گذاران، نهادهای مالی و دولت برخوردار است. بررسی اجمالی تئوری­ها و مدل‎های ارائه‎شدۀ پیش­بینی سقوط در بازار سهام نشان می­دهد میان پژوهشگران دربارۀ الگوهای مشاهده‎شدۀ متغیرها، مانند حجم معامله، بازده‎ها، نوسان‎پذیری، عوا...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 4

pages  67- 82

publication date 2017-02-19

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023