ارایه مدلی چندتایی از شبکه عصبی پرسپترون با انتخاب نمونه ها توسط الگوریتم گروه جوجه مرغ برای پیش بینی های مالی

به دلیل پیچیدگی بازار بورس و حجم بالای اطلاعات مورد پردازش، اغلب استفاده از یک سیستم ساده برای پیشبینی، نتایج خوبی به همراه ندارد. به همین دلیل محققان با ارایه مدلهای ترکیبی سعی در ارایه سیستمی با پیچیدگی کمتر و کارایی و دقت بیشتر کرده اند. در اکثر مدل های پیشبینی کننده، سیستم فقط با استفاده از اطلاعات یک شاخص به پیشبینی پرداخته، ولی در مدل پیشنهادی، از یک ساختار دوطبقه که طبقه اول آن از شبکه های عصبی پرسپترون چندلایه به عنوان پیشگو تشکیل شده و هرکدام به صورت مستقل از دیگر سیستم ها، برای پیشبینی شاخص خاصی از داده های مختلف آموزش دیده و به پیشبینی شاخص معینی می پردازد و در طبقه دوم نیز یک شبکه عصبی پرسپترونچندلایه ترکیب کننده قرار دارد که با استفاده از مکانیسم انتخاب بهترین نمونه ها به کمک الگوریتم بهینه سازی گروه جوجه مرغ ها، آموزش می بیند و درنهایت خروجی نهایی مدل را فراهم میسازد. نتایج به دست آمده نشان میدهد که مدل پیشنهادی توانسته با خطای پیشبینی پایین تری نسبت به دیگر مدل ها عمل کند. در این پژوهش با توجه به عوامل موثر شناخته شده در قیمت سهام شرکتها، به عنوان نمونه به پیشبینی شاخص شرکت بورس اوراق بهادار تهران که شامل سه مجموعه داده شاخص قیمت بورس، حجم معاملات و نرخ بازده میباشد، پرداخته شده است.

کلیدواژه ها:

الگوریتم تکاملی گروه جوجه مرغ ها ، شبکه عصبی پرسپترون چندلایه ، پیشبینی ، سری زمانی