مقایسه پیش‌بینی شاخص سهام با استفاده از مدل‌های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشگاه شهید بهشتی، تهران، ایران

2 دانشجوی کارشناسی ارشد دانشگاه ارشاد دماوند، تهران، ایران

چکیده

هدف پژوهش حاضر مقایسه پیش‌بینی شاخص سهام با استفاده از مدل‌های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش‌بینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیش‌بینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش‌بینی ارزیابی شده است. نتایج نشان می‌دهد دقت پیش‌بینی مدل‌های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش‌بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Stock Index Forecasting Using Hybrid Models Based on Genetic Algorithm and Harmonic Search with Artificial Neural Network

نویسندگان [English]

  • Maryam Davallou 1
  • Toktam Heidari 2
1 Assistant professor, Faculty of Management and Accounting, Shahid Beheshti University. Tehran. Iran
2 MSc Student in Financial Management. Ershad Damavand University, Tehran, Iran
چکیده [English]

This paper is aimed to compare stock index forecasting using hybrid models based on Genetic Algorithm (GA) and Harmonic Search (HS) with Artificial Neural Network (ANN). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network designated by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in the test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate.

کلیدواژه‌ها [English]

  • Genetic Algorithms
  • Harmony Search
  • Artificial Neural Networks

-         استیری، علی. (1392). «پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از مدل ترکیبی». پایاننامه کارشناسی ارشد، دانشگاه تهران.## حقیقت منفرد، جلال، محمود احمدعلی‌نژاد و سارا متقالچی. (1391). «مقایسه مدل‌های شبکه عصبی با مدل سری زمانی باکس- جنکینز در پیش‌بینی شاخص کل قیمت سهام بورس اوراق بهادار تهران». مهندسی مالی و مدیریت اوراق بهادار، 3(11): 16-1. ##عاملی، احمد و ملیحه رمضانی. (1394). «پیش‌بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی بر الگوریتم ژنتیک و مقایسه با شبکه عصبی فازی». تحقیقاتمدلسازیاقتصادی، 6(22): 91-61. ##علوی، جعفر. (1385). «ترکیب تحلیل تکنیکی با هوش مصنوعی (هوش محاسباتی) و مقایسه آن با روش تحلیل تکنیکی پیش‌بینی قیمت سهام». پایاننامه کارشناسی ارشد، دانشگاه تهران. ##منجمی، سیدامیرحسین، مهدی ابزری و علیرضا رعیتی شوازی. (1388). «پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم‌های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی». اقتصاد مقداری (بررسیهای اقتصادی سابق)، 6(3): 26-1. ##

-       Geem, Z.W. (2009). Music-Inspired Harmony Search Algorithm: Theory and Applications. Springer Publishing Company, Berlin. ##Gocüken, M., M. Ozcüalõcõ, A. Boru & A. Dosdogùru. (2016). Integrating Metaheuristics and Artificial Neural Networks for Improved Stock Price Prediction. Expert Systems with Applications, Vol. 44, pp: 320-331. ##Gorynin, I., E. Monfrini & W. Pieczynski. (2017). Pairwise Markov Models for Stock Index Forecasting. 25th European Signal Processing Conference (EUSIPCO), IEEE. ##Huang, C., D. Yang & Y. Chuang. (2008). Application of Wrapper Approach and Composite Classifier to the Stock Trend Prediction. Expert System with Application, Vol.34(4), pp: 2870-2878. ##Jian, Z. & L. Song. (2017). Financial Time Series Analysis Model for Stock Index Forecasting. International Journal of Simulation Systems, Science & Technology, Vol.17, pp: 12.1-12.6. ##Laboissiere, L.A., R.A.S. Fernandes & G.G. Lage. (2015). Maximum And Minimum Stock Price Forecasting of Brazilian Power Distribution Companies Based on Artificial Neural Networks. Applied Soft Computing, Vol.35, pp: 66-74. ##Prasanna, S. & D. Ezhilmaran. (2013). An Analysis on Stock Market Prediction Using Data Mining Techniques. International Journal of Computer Science & Engineering Technology, Vol.4(2), pp: 49-51. ##Wang, J.Z., J.J. Wang, Z.G. Zhang & S.P. Guo. (2012). Forecasting Stock Indices with Back-Propagation Neural Network. Expert Systems with Applications, Vol.38(11), pp: 14346-14355. ##White, H. (1988). Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns. IEEE International Conference on Neural Networks. ##