ارائه مدل پیش بینی قیمت سهام با استفاده از الگوریتم های یادگیری عمیق و کاربرد آن درقیمت گذاری سهام بانک های اسلامی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 78

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MIEA-11-41_005

تاریخ نمایه سازی: 20 دی 1402

چکیده مقاله:

پیش بینی قیمت سهام امری پیچیده است؛ مولفه­های گوناگونی از قبیل وضع عمومی اقتصاد، رخداد­های سیاسی و انتظارات سرمایه گذاران، بر بازار سهام تاثیر می گذارد. بازار سهام، در حقیقت یک سیستم غیرخطی و آشوبناک است که به عوامل متعدد سیاسی، اقتصادی و روانی وابسته است، برای غلبه بر محدودیت تکنیک­های تحلیل سنتی در پیش بینی الگوهای غیرخطی، متخصصان طی دو دهه اخیر تکنیک­های هوشمند و بخصوص شبکه­های عصبی مصنوعی و الگوریتم ژنتیک را برای بهبود پیش بینی قیمت سهام به کاربرده اند. این پژوهش، با توجه به گسترش روز افزون روش های پیش بینی در بازارهای مالی و نیز، از آنجا که قیمت سهام یکی از مهم ترین عوامل موثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند، در این پژوهش سعی شده است، مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام مورد نظر را با دقت بالایی پیش بینی کرد. بر همین اساس، یک مدل ترکیبی برای پیش بینی روند حرکتی قیمت سهام با استفاده از شبکه عصبی مصنوعی ارائه شده است. برای نمونه آماری، شرکت های برتر بورس اوراق بهادار در سه ماهه دوم سال ۱۳۹۹ انتخاب شده است. سپس برای هراین منظور، ۳۲ متغیر محاسبه شد. این متغیرها ورودی مدل هستند و به کمک الگوریتم  شبکه عصبی مصنوعی بهینه سازی شده اند. نتایج نشان می دهد، مدل در پیش بینی روند حرکتی قیمت سهام بسیار بهتر عمل کرده و درمقایسه باروش های سنتی، از دقت بالاتری برخوردار است.

نویسندگان

مهران سعیدی اقدم

Islamic Azad University Qazvin

احمد صادقی

Assistant Professor of Shahid Beheshti University

علیرضا بحیرایی

Assistant Professor of Semnan University

سید یوسف حاجی اصغری

Assistant Professor f Mianeh, Islamic Azad University

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 :
  • Batres-Estrada, B. (۲۰۱۵). Deep learning for multivariate financial time series ...
  • Cao, J., Wang, J., (۲۰۱۹). Stock price forecasting model based ...
  • Cavalcante, R. C., Brasileiro, R. C., Souza, V. L.F., Nobrega, ...
  • Chen, S., Ge, L., (۲۰۱۹). Exploring the attention mechanism in ...
  • Emerson, S., Kennedy, R., O'Shea, L., & O'Brien, J. (۲۰۱۹, ...
  • Kara, Y., Boyacioglu, A.M., & Baykan, Ö. K. (۲۰۱۱). Predicting ...
  • Kumara. J, Goomerb. R, Kumar. S, (۲۰۱۷). Ashutosh Long Short ...
  • Moritz, B., & Zimmermann, T. (۲۰۱۶). Tree-based conditional portfolio sorts: ...
  • Neelima B, Dr. C. K. Jha, Sandeep K. Budhani, (۲۰۱۴), ...
  • Olah, C. (۲۰۱۵). Understanding lstm networks–colah’s blog. Colah. github. io ...
  • Park, Cheol-Ho; Irwin, Scott H. (۲۰۰۷). WHAT DO WE KNOW ...
  • Shi Xingjian; Zhourong Chen; Hao Wang; Dit-Yan Yeung; Wai-kin Wong; ...
  • Song, Hyun Ah, and Soo-Young Lee. (۲۰۱۳). "Hierarchical Representation Using ...
  • Takeuchi, L., & Lee, Y. Y. A. (۲۰۱۳). Applying deep ...
  • Ticknor, J. L. (۲۰۱۳). A Bayesian regularized artificial neural network ...
  • Tkáč, M., & Verner, R. (۲۰۱۶). Artificial neural networks in ...
  • Wang, S., and Y. Luo. ۲۰۱۲. “Signal Processing: The Rise ...
  • Wong, B., Bodnovich, T. A., Selvi, Y., (۲۰۰۳), Neural Network ...
  • Zhong, X, & Enke, D. (۲۰۱۷). Forecasting daily stock market ...
  • باجلان ، سعید، فلاح پور، سعید ؛ دانا، ناهید،(۱۳۹۵)،" پیش ...
  • رحیمی پور، اکبر، میر، هدیه، جلایی، سیدعبدالمجید،(۱۳۹۸)، تاثیر اندازه دولت ...
  • سرمد، زهره؛ حجازی، الهه؛ بازرگان، عباس (۱۳۸۸)، روشهای تحقیق در ...
  • منجمی، سید امیر حسین ؛ ابزری، مهدی ، شوازی، علیرضا ...
  • نمایش کامل مراجع