پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,504 |
| تعداد مشاهده مقاله | 124,122,868 |
| تعداد دریافت فایل اصل مقاله | 97,231,068 |
بررسی عملکرد شبکۀ عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‌های کلاسیک در پیش‌بینی قیمت سهام شرکتهای سرمایه‌گذاری | ||
| تحقیقات مالی | ||
| مقاله 6، دوره 19، شماره 2، 1396، صفحه 299-318 اصل مقاله (405.49 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfr.2017.214203.1006264 | ||
| نویسندگان | ||
| حسین فخاری1؛ محمد ولی پور خطیر* 2؛ سیده مائده موسوی3 | ||
| 1دانشیار گروه حسابداری، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران | ||
| 2استادیار گروه مدیریت صنعتی، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، ایران | ||
| 3کارشناس ارشد حسابداری،، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، ایران | ||
| چکیده | ||
| پیش‌بینی دقیق قیمت سهام، با توجه به نوسانهای زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه‌های اصلی سرمایه‌گذاران و تحلیلگران مالی است، از این رو بهکارگیری رویکردهای نوین پیش‌بینی قیمت سهام ضرورت اجتنابناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسۀ عملکرد مدل‌های پیش‌بینی شبکۀ عصبی با مدل‌های کلاسیک و معرفی مدل مناسب برای پیش‌بینی قیمت روز آتی سهام است. برای طراحی مدل پیش‌بینی با شبکۀ عصبی، از داده‌های قیمت روزانۀ بازار و شاخص‌های تکنیکی مالی بهعنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده‌های قیمت بستهشدن روزانه بهعنوان متغیر ورودی و همچنین قیمت بستهشدن روز آتی بهعنوان متغیر خروجی هر دو مدل در دورۀ زمانی 1390 تا 1393 در نظر گرفته شد. نتایج بهدست آمده با شبکۀ عصبی بیزین بیانکنندۀ خطای کمتر و قدرت پیش‌بینی بیشتر آن در مقایسه با مدل آریما است. یافته‌های تحقیق گویای کارایی بیشتر شبکۀ عصبی بیزین در استفاده از فرصت‌های سرمایه‌گذاری کوتاهمدت بازار است که می‌تواند به سرمایه‌گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند. | ||
| کلیدواژه‌ها | ||
| آریما؛ پیش‌بینی قیمت سهام؛ تابع آموزش بیزین؛ تابع آموزش لونبرگ مارکوات؛ شبکۀ عصبی | ||
| مراجع | ||
|
آذر، ع.؛ کریمی، س. (1389). پیش‌بینی بازده سهام با استفاده از نسبتهای حسابداری با رویکرد شبکه‌های عصبی. فصلنامۀ تحقیقات مالی، 11(28)، 20-3. رمضانیان، م. ر.؛ رمضانپور، ا.؛ پوربخش، س. ح. (1390)، رویکردهای جدید در پیش بینی با استفاده از شبکه‌های عصبی ـ فازی: قیمت نفت. پژوهشهای مدیریت در ایران، 15(3)، 168-149. حنفیزاده، پ.؛ جعفری، ا. (1389). مدل ترکیبی شبکه‌های عصبی مصنوعی پیش خور و خودسازمانده کوهونن برای پیش‌بینی قیمت سهام. مطالعات مدیریت صنعتی، 8(19)، 187-165. شمس، ش.؛ ناجی زواره، م. (1394). بررسی مقایسه‌ای بین مدل ترکیبی سیستم ژنتیک فازی ـ عصبی خودسازمانده و مدل خطی در پیش‌بینی قیمت توافقی قراردادهای آتی سکۀ طلا. فصلنامۀ تحقیقات مالی، 17(2)، 239-258. گرشاسبی، ع. (1389). بررسی مقایسه‌ای عوامل پیشبینیکنندۀ بازده سهام در بورس اوراق بهادار تهران و بورس اوراق بهادار نیویورک با رویکرد شبکۀ عصبی و رگرسیون خطی. پایاننامۀ کارشناسی ارشد. دانشگاه مازندران. محمد علیزاده، آ.؛ راعی، ر.؛ محمدی، ش. (1394). پیش‌بینی سقوط بازار سهام با استفاده از شبکه‌های عصبی نگاشت خود سازمانده. فصلنامۀ علمی ـ پژوهشی تحقیقات مالی، 17(1)، 178-159. نمازی، م.؛ کیامهر، م. م. (1387). پیش‌بینی بازده روزانۀ سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی. تحقیقات مالی، 3(9)، 134-115. Asadi, S., Hadavandi, E., Mehmanpazir, F. & Nakhostin, M. M. (2012). Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction. Knowledge-Based Systems, 35, 245-258.
Assaf, N. A. (2011). Mercado financeiro. (10th ed.). So Paulo: Editora Atlas.
Azar, A. & Karimi, S. (2010). Neural Network Forecasts of Stock Return Using Accounting Ratios. Journal of financial research, 11(28), 3-20. (in Persian)
Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting. springer.
Chen, M. Y. & Chen, B. T. (2015). A hybrid fuzzy time series model based on granular computing for stock price forecasting. Information Sciences, 294, 227-241.
Chester, M. (1993). Neural networks: a tutorial. Prentice-Hall, Inc.
Dash, R. & Dash, P. (2016). Efficient stock price prediction using a Self Evolving Recurrent Neuro-Fuzzy Inference System optimized through a Modified technique. Expert Systems with Applications, 52, 75-90.
Garshasbi, A. (2010). A comparative study of stock returns predictors in Tehran Stock Exchange and New York Stock Exchange using neural network approach and linear regression. Master Thesis, University of Mazandaran. (in Persian) Hanafizade, P. & Jafari, A. (2010). The hybrid model of feed forward and kohonen’s self organizing artificial neural networks in predicting the stock price. Journal of Industrial Management Studies, 8(19), 165-187. (in Persian)
Hykin, S. (1999). Neural Networks: A Comprehensive Foundation. Printice-Hall, Inc., New Jersey.
Khashei, M. & Bijari, M. (2010). An artificial neural network model for timeseries forecasting. Expert Systems with Applications, 37(1), 479-489. Li, X., Xie, H., Wang, R., Cai, Y., Cao, J., Wang, F. ..., & Deng, X. (2016). Empirical analysis: stock market prediction via extreme learning machine. Neural Computing and Applications, 27(1), 67-78.
Mohammad Alizadeh, A., Raie, R., Mohammadi, Sh. (2016). Prediction of stock market crash using self-organizing maps. Journal of financial research, 17(1), 159-178. (in Persian)
Monadjemi, S. A., Abzari, M. & Rayati Shavazi, A. (2009). Modeling of stock price forecasting in stock exchange market using fuzzy neural networks and genetic algorithms. Journal of Quantitative Economics, 6(22), 1-26.
Mostafa, M. M. (2010). Forecasting stock exchange movements using neural networks: Empirical evidence from Kuwait. Expert Systems with Applications, 37(9), 6302-6309. Murat, Y. S. & Ceylan, H. (2006). Use of artificial neural networks for transport energy demand modeling. Energy Policy, 34(17), 3165-3172. Namazi, M. & Kiamehr, M. M. (2008). Predicting Daily Stock Returns of Companies listed in Tehran Stock Exchange Using Artificial Neural Networks. Journal of financial research, 9(3), 115-134. (in Persian)
Patel, J., Shah, S., Thakkar, P. & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268.
Ramezanian, M. R., Ramezanpour, E., & Pourbakhsh, S. H. (2011). New Approaches in Forecasting Using Neuro-Fuzzy Networks (Case Study: The Crude Oil Price). Journal of management research in Iran, 15(3), 149-168. (in Persian)
Ramnath, S., Rock, S. & Shane, P. (2008). The financial analyst forecasting literature: A taxonomy with suggestions for further research. International Journal of Forecasting, 24(1), 34-75.
Rather, A. M., Agarwal, A. & Sastry, V. N. (2015). Recurrent neural network and a hybrid model for prediction of stock returns. Expert Systems with Applications, 42(6), 3234-3241.
Saeidi, A. & Aghaei, A. (2009). Predicting Financial Distress of firms Listed in Tehran Stock Exchange Using Bayesian networks. Journal of Accounting And Auditing Review, 16 (56), 59-78.
Şenol, D. & Özturan, M. (2010). Stock Price Direction Prediction Using Artificial Neural Network Approach: The Case of Turkey. Journal of artificial Intelligence, 3, 261-268.
Shams, Sh., NajiZavareh, M. (2016). Comparison between the Hybrid Model of Genetic Fuzzy and Self Organizing Systems and Linear Model to Predict the Price of Gold Coin Futures Contracts. Journal of financial research, 17(2), 239-258. (in Persian)
Sözen, A. & Arcaklioğlu, E. (2007). Prospects for future projections of the basic energy sources in Turkey. Energy Sources, Part B, 2(2), 183-201.
Ticknor, J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40(14), 5501-5506.
Van Eyden, R. J. (1996). The Application of Neural Networks in the Forecasting of Share Prices (Finance and Technology Publishing, Haymarket, VA.
Wei, L. Y. (2016). A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting. Applied Soft Computing, 42, 368-376.
| ||
|
آمار تعداد مشاهده مقاله: 1,221 تعداد دریافت فایل اصل مقاله: 1,144 |
||