مقایسه ی عملکرد مدل مارکوف پنهان و شبکه های عصبی مصنوعی درپیش بینی شاخص کل بورس اوراق بهادارتهران

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,238

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

OICONFERENCE01_553

تاریخ نمایه سازی: 16 شهریور 1395

چکیده مقاله:

شبکه های عصبی مصنوعی و مدلهای مارکوف پنهان دوابزار قدرتمنددرزمینه تشخیص الگو می باشند که درعلوم مختلفی به کارگرفته شده اند دراین تحقیقکارایی این دورویکرد درپیش بینی سریهای زمانی مالی به طور خاص شاخص کل بورس اوراق بهادارتهران بایکدیگر مقایسه شده است سنجش و مقایسه ی اجراهای مختلف براساس معیارهای میانگین درصد قدرمطلق خطا MAPE و دقت accuracy صورت گرفته است دراین مطالعه شاخص بازده نقدی و قیمت سهام به عنوان مشاهدات مدل مارکوف پنهان و همچنین خروجی شبکه های عصبی مصنوعی درنظر گرفته شده است حجم ریالی معاملات انجام شده درهرروز نیز به عنوان وضعیت های پنهان درمدل مارکوف پنهان وورودی شبکه های عصبی مصنوعی فرض شده است ازمیان شبکه های عصبی مصنوعی با تعدادلایه های پنهان متفاوت شبکه ای با یک لایه پنهان انتخاب شده است نتایج نشان میدهد که با داشتن اطلاعات 40روز گذشته شبکه عصبی مصنوعی با یک لایه پنهان دارای دقت بیشتر و خطای کمتری نسبت به مدل مارکوف پنهان درپیش بینی 40روزاتی می باشد

کلیدواژه ها:

مدل مارکوف پنهان ، شبکه های عصبی مصنوعی ، پیش بینی ، شاخص کل بورس تهران

نویسندگان

سیدکاظم چاوشی

استادیار دانشکده مدیریت دانشگاه خوارزمی

آزاده منصوری

استادیار دانشکده مهندسی کامپیوتر دانشگاه خوارزمی

سرور شیدانی

کارشناس ارشد علوم تصمیم و مهندسی دانش دانشگاه خوارزمی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • .(xxxx) .، XXXX، XXX دریافت شده از //www .boursenews _ ...
  • First International Conference on Business and Organizational Intelligence 2016 نخستین ...
  • First International Conference o Business and Organizational Intelligence 2016 نخستین ...
  • Alpaydin, E. (2014). Introduction to machine learning: MIT press. ...
  • Anekonda, T. S. (20 02). Artificial Neural Networks and Hidden ...
  • Anish, C. & Majhi, B. (2015). Hybrid nonlinear adaptive scheme ...
  • Conroy, J. M, Becker Jr, R. L., Lefkowitz, W., Christopher, ...
  • Durbin, R. (1998). Biological Sequence analysis: probabilistic models of proteins ...
  • EPIX Analytics. Maximum Likelihood Estimates. Retrieved 12/04/2015, from ...
  • Fink, G. A. (20 14). Markov models for pattern recognition: ...
  • Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using ...
  • Hassan, M. R., & Nath, B. (2005). Stock ma rket ...
  • Hassan, M. R., Ramamoh _ , K., Kamruzzaman _ J., ...
  • Hatzipantelis, E., Murray, A., & Penman, J. (1995). Comparing hidden ...
  • Israel, G. D. (1992). Determining sample size: University of Florida ...
  • Lajos, J. (2011). Computer Modeling Using Hidden Markov Model Approach ...
  • McDonald, J. H. (2014). Handbook of biological statistics (Third ed.): ...
  • Ou, P., & Wang, H. (2009). Prediction of stock market ...
  • Pissarenko, D. (20 02). Neural networks for financial time series ...
  • Sidorov, G., Aguire, A. H., & Garcfa, C. A. R. ...
  • Wang, L., Wang, Z., Zhao, S., & Tan, S. (2015). ...
  • Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). ...
  • MathWorks. trainlm. Retrieved 12/04/2015, from ...
  • نمایش کامل مراجع