پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 157 |
| تعداد شماره‌ها | 6,063 |
| تعداد مقالات | 66,249 |
| تعداد مشاهده مقاله | 111,758,369 |
| تعداد دریافت فایل اصل مقاله | 86,350,172 |
پیش‌بینی رفتار بازار سهام بر اساس شبکه‌های عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند | ||
| مدیریت صنعتی | ||
| مقاله 8، دوره 10، شماره 2، 1397، صفحه 315-334 اصل مقاله (567.78 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2018.255079.1007412 | ||
| نویسندگان | ||
| محمد تقی فقیهی نژاد1؛ بهروز مینایی* 2 | ||
| 1دانشجوی دکتری مهندسی فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران. | ||
| 2دانشیار گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه علم وصـنعت ایـران، | ||
| چکیده | ||
| هدف: پیش‌بینی دقیق بازار سهام برای معامله‌گران این بازار ارزشمند است. پیش‌بینی سری‌های زمانی مالی از دسته مسائل چالشی و مهم در پیش‌بینی است و پژوهشگران تلاش می‌کنند که الگوهای پنهان را برای پیش‌بینی آینده بازار سهام استخراج کنند. هدف این مقاله ارائه یک مدل هوشمند برای پیش‌بینی رفتار بازار سهام است. روش: این مقاله، برای افزایش دقت از مدلی بر مبنای الگوریتم‌های یادگیری جمعی با مدل‌های پایه شبکه‌های عصبی استفاده میکند. برای در نظر گرفتن جهت تغییر قیمت در پیش‌بینی، ساختار دومرحله‌ای بهکار رفته است. در مرحله نخست، جهت بعدی حرکت قیمت سهام (افزایش یا کاهش) پیش‌بینی شده و از آن برای پیش‌بینی قیمت در مرحله دوم استفاده شده است. یافتهها: دقت نتایج و افزایش بازده پیش‌بینی، مهم‌ترین چالش مدل‌های پیشنهادشده در بازار سهام بهشمار میرود. نکته مهم برای سودآوری معاملات، توجه به جهت تغییر قیمت سهام در پیش‌بینی قیمت آن است که در مدل‌های پیش‌بینی به این موضوع توجه کمتری شده است. مدل پیشنهادی با استفاده از روش‌های مبتنی بر هوش مصنوعی نشان می‌دهد که پیش‌بینی رفتار بازار سهام با وجود ماهیت نوسانی و ناپایدار آن، امکانپذیر است. نتیجهگیری: نتایج معیارهای ارزیابی روی داده‌های واقعی قیمت سهام نشان می‌دهد مدل پیشنهاد شده در مقایسه با سایر روش‌ها، با دقت بیشتری می‌تواند بر نوسانهای بازار غلبه کرده و به‌عنوان روش قابل اطمینان و عملی در بازارهای سهام بهکار گرفته شود. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی تغییر جهت قیمت؛ پیش‌بینی قیمت سهام؛ شبکه عصبی؛ یادگیری جمعی؛ مدل‌های پیش‌بینی هوشمند | ||
| عنوان مقاله [English] | ||
| Prediction of Stock Market Behavior Based on Artificial Neural Networks through Intelligent Ensemble Learning Approach | ||
| نویسندگان [English] | ||
| Mohammad Taghi Faghihi Nezhad1؛ Behrouz Minaei2 | ||
| 1Ph.D. Student in Information Technology Engineering, Faculty of Engineering, Qom University, Qom, Iran | ||
| 2Associate Prof., School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran. | ||
| چکیده [English] | ||
| 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 thenit 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. | ||
| کلیدواژه‌ها [English] | ||
| Estimating the direction of price movement, Ensemble learning, Intelligent prediction models, Neural Network, Stock price prediction | ||
| مراجع | ||
|
سعیدی، حسین؛ محمدی، شاپور (1390). پیش‌بینی نوسانات بازده بازار با استفاده از مدل‌های ترکیبی گارچ شبکه عصبی. فصلنامه بورس اوراق بهادار، 4(16)، 153-174. شریفی سلیم، علیرضا؛ مؤمنی، منصور؛ مدرس یزدی، محمد؛ راعی، رضا (1394). برنامه‌ریزی تصادفی چندهدفه برای انتخاب سبد سهام. نشریه مدیریت صنعتی، 7(3)، 489-510. علیپور جورشری، ارمغان؛ یاکیده، کیخسرو؛ محفوظی، غلامرضا (1396). بهینه‌سازی سبد سهام با حداقل میانگین انحرافات مطلق کارایی‌های متقاطع. نشریه مدیریت صنعتی، 9(3)، 475-496. گودرزی، مهشید؛ یاکیده، کیخسرو؛ محفوظی، غلامرضا (1395). بهینه‌سازی سبد سهام با تلفیق کارایی متقاطع و نظریه بازیها. نشریه مدیریت صنعتی، 4(8)، 685-706. منجمی، سید امیرحسین؛ ابزری، مهدی؛ رعیتی شوازی، علیرضا (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، 6(3)، نیکبخت، محمد رضا؛ شریفی، مریم (1389). پیش‌بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی. نشریه مدیریت صنعتی، 2(4)، 163-180.
References Adebiyi, A. A., Adewumi, A.O., & Ayo, C. K. (2014). Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics, 2014, 1-7. Adhikari, R. (2015). A neural network based linear ensemble framework for time series forecasting. Neurocomputing, 157(25), 231-242. Alipour, A., Yakideh, K., & Mahfoozi, Gh. (2017). Portfolio Optimization with Minimum Average Absolute Deviations of Cross-efficiency. Industrial Management Journal, 9(3), 475-496. (in Persian) Andrawis, R. R., Atiya, A. F., & El-Shishiny, H. (2011). Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition. International journal of forecasting, 27(3), 672-688. Asadi, Sh., 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. Atsalakis, G. S., & Valavanis, K. P. (2009a). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, 36(7), 10696-10707. Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple classifiers for stock price direction prediction. Expert Systems with Applications, 42(20), 7046-7056. Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140. Cavalcante, R. C., Brasileiro, R. C., Souza, V. L.F., Nobrega, J. P., & Oliveira, A. L.I. (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions. Expert Systems with Applications, 55, 194-211. Chang, P.C., & Liu, C.H. (2008). A TSK type fuzzy rule based system for stock price prediction. Expert Systems with Applications, 34(1), 135-144. Chauvin, Y., & Rumelhart, D. E. (1995). Backpropagation: theory, architectures, and applications. Psychology Press. Cogley, T., & Nason, J. M. (1995). Effects of the Hodrick-Prescott filter on trend and difference stationary time series Implications for business cycle research. Journal of Economic Dynamics and control, 19(1), 253-278. Cubiles-De-La-Vega, M.D., Blanco-Oliver, A., Pino-Mejías, R. & Lara-Rubio, J. (2013). Improving the management of microfinance institutions by using credit scoring models based on Statistical Learning techniques. Expert Systems with Applications, 40 (17), 6910-6917. de Oliveira, F. A., Nobre, C. N., & Zárate, L. E. (2013). Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index–Case study of PETR4, Petrobras, Brazil. Expert Systems with Applications, 40(good), 7596-7606. Dietterich, T. G. (2000). Ensemble methods in machine learning. Paper presented at the International workshop on multiple classifier systems. Esfahanipour, A., & Aghamiri, W. (2010). Adapted neuro-fuzzy inference system on indirect approach TSK fuzzy rule base for stock market analysis. Expert Systems with Applications, 37(7), 4742-4748. Fama, E. F. (1995). Random walks in stock market prices. Financial analysts journal, 51(1), 75-80. Fama, E. F., & Malkiel, B. G. (1970). Efficient capital markets: A review of theory and empirical work. The journal of finance, 25(2), 383-417. Ferreira, T. A.E., Vasconcelos, G. C., & Adeodato, P. J. L. (2008). A new intelligent system methodology for time series forecasting with artificial neural networks. Neural Processing Letters, 28(2), 113-129. Ghasemiyeh, R., Moghdani, R. & Sana, S. S. (2017). A Hybrid Artificial Neural Network with Metaheuristic Algorithms for Predicting Stock Price. Cybernetics and Systems, 48(4), 365-392. Goodarzi, M., Yakideh, K., & Mahfoozi, Gh. (2017). Portfolio optimization by synthesis of cross efficiency and Game theory. Industrial Management Journal, 4(8), 685-706. Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38(8), 10389-10397. Hansen, L. K., & Salamon, P. (1990). Neural network ensembles. IEEE transactions on pattern analysis and machine intelligence, 12(10), 993-1001. Hassan, M.D.R. (2009). A combination of hidden Markov model and fuzzy model for stock market forecasting. Neurocomputing, 72(16), 3439-3446. Kara, Y., Boyacioglu, A.M., & Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38(5), 5311-5319. Khashei, M., Bijari, M., & Raissi Ardali, Gh. A. (2009). Improvement of auto-regressive integrated moving average models using fuzzy logic and artificial neural networks (ANNs). Neurocomputing, 72-128(4), 956-967. Li, X., Yang, L., Xue, F., & Zhou, H. (2017). Time series prediction of stock price using deep belief networks with intrinsic plasticity. Paper presented at the Control And Decision Conference (CCDC), 2017 29th Chinese. Lin, L., Wang, F., Xiaolong, X., & Shisheng, Z. (2017). Random forests-based extreme learning machine ensemble for multi-regime time series prediction. Expert Systems with Applications, 83, 164-176. Lo, A. W., & MacKinlay, A. C. (1988). Stock market prices do not follow random walks: Evidence from a simple specification test. The Review of Financial Studies, 1(1), 41-66. Maknickienė, N. (2016). Prediction Capabilities of Evolino RNN Ensembles. In Computational Intelligence (pp. 473-485): Springer. 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. Qualitative Economics, 6(3), 1-26. (in Persian) Nikbakht, M.R., & Sharifi, M. (2010). Predicting corporate bankruptcy using Artificial Neural Networks (ANN) in Tehran Stock Exchange (TSE). Industrial Management Journal, 2(4), 163-180. (in Persian) Niu, M., Hu, Y., Sun, Sh., & Liu, Y. (2018). A novel hybrid decomposition-ensemble model based on VMD and HGWO for container throughput forecasting. Applied Mathematical Modelling, 57, 163-178. Ravi, V., Pradeepkumar, D., & Deb, K. (2017). Financial time series prediction using hybrids of chaos theory, multi-layer perceptron and multi-objective evolutionary algorithms. Swarm and Evolutionary Computation, 36, 136-149. Saeedi, H., & Mohammadi, Sh. (2012). Prediction Fluctuations in market returns using hybrid models of GARCH and Neural Network. Quarterly Journal of Securities Exchange, 4(16), 153-174. (in Persian) Sharifisalim, A., Momeni, M., Modaress-Yazdi, M., & Raei, R. (2015). Designing a Multi-objective Stochastic programming model for portfolio selection. Industrial Management Journal, 7(3), 489-510. (in Persian) Si, Y.W., & Yin, J. (2013). OBST-based segmentation approach to financial time series. Engineering Applications of Artificial Intelligence, 26(10), 2581-2596. Ticknor, J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40(14), 5501-5506. Tkáč, M., & Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing, 38(1), 788-804. Tsai, C.F., Lin, Y.C., Yen, D. C, & Chen, Y.M. (2011). Predicting stock returns by classifier ensembles. Applied Soft Computing, 11(2), 2452-2459. Wang, G., Hao, J., Ma, J., & Jiang, H. (2011). A comparative assessment of ensemble learning for credit scoring. Expert Systems with Applications, 38(1), 223-230. Xiao, Y., Xiao, J., Lu, F., & Wang, Sh. (2013). Ensemble ANNs-PSO-GA Approach for Day-ahead Stock E-exchange Prices Forecasting. International Journal of Computational Intelligence Systems, 6(1), 96-114. Yan, D., Zhou, Qi, Wang, J., & Zhang, N. (2017). Bayesian regularisation neural network based on artificial intelligence optimisation. International Journal of Production Research, 55(8), 2266-2287. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175. Zhong, X, & Enke, D. (2017). Forecasting daily stock market return using dimensionality reduction. Expert Systems with Applications, 67, 126-139.
| ||
|
آمار تعداد مشاهده مقاله: 2,542 تعداد دریافت فایل اصل مقاله: 2,083 |
||