CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بررسی توان پیش بینی کنندگی روش های محاسباتی نوین در بازار بورس

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۱۲ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: ACLAW01_102
زبان مقاله: فارسی
حجم فایل: ۳۰۲.۷۸ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بررسی توان پیش بینی کنندگی روش های محاسباتی نوین در بازار بورس

  ناصر شهسواری - دانشجوی کارشناسی ارشد حسابداری ،واحد الکترونیکی تهران، دانشگاه آزاد اسلامی تهران، ایران
  هدی همتی - استاد دانشگاه. گروه حسابداری، واحد الکترونیکی تهران، دانشگاه آزاد اسلامی تهران، ایران
  علی باغانی - استاد دانشگاه. گروه حسابداری، واحد الکترونیکی تهران، دانشگاه آزاد اسلامی تهران، ایران

چکیده مقاله:

در این مقاله سعی بر این است تا با استقاده از سه مجموعه داده از قیمت سهام در سه بازه زمانی سریع، متوسط و کند؛ مشخص نماییم که کدام یک از مدل های شبکه های عصبی LoLiMoT, RBF بهترین برآورد و پیش بینی را از قیمت آینده سهام در هر یک از مجموعه داده ها ارایه خواهند نمود و برای نیل به این هدف از دو معیار خطای MSE و RMSE استفاده شده و در نهایت با مقایسه این خطاها بهترین مجموعه جهت استفاده در پیش بینی ها را مشخص نموده ایم، جهت تجزیه و تحلیل داده های مورد آزمون نیز از نرم افزار MATLAB استفاده شده است و در نهایت با بررسی نمودارهای مستخرج از نرم افزار و جدول مقایسه آماری مشخص گردید که در هر سه از مجموعه داده ها مدل شبکه عصبی LoLiMoT تقریب بهتری از آینده را ارایه می نماید و قدرت پیش بینی کنندگی بهتری را از مدل RBF داراست.

کلیدواژه‌ها:

پیش بینی، شبکه های عصبی LoLiMoT، RBF

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ACLAW01-ACLAW01_102.html
کد COI مقاله: ACLAW01_102

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
شهسواری, ناصر؛ هدی همتی و علی باغانی، ۱۳۹۷، بررسی توان پیش بینی کنندگی روش های محاسباتی نوین در بازار بورس، کنفرانس ملی اندیشه های نوین و خلاق در مدیریت،حسابداری مطالعات حقوقی و اجتماعی، خوی، دانشگاه آزاد اسلامی زرقان - آموزش عالی علامه خویی وابسته به وزارت علوم تحقیقات و فناوری، https://www.civilica.com/Paper-ACLAW01-ACLAW01_102.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (شهسواری, ناصر؛ هدی همتی و علی باغانی، ۱۳۹۷)
برای بار دوم به بعد: (شهسواری؛ همتی و باغانی، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: ۱۵۶۸
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.