CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیشبینی روند الگوهای قیمت سهام با استفاده از الگوریتم ژنتیک و دو روش منتخب هوش مصنوعی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۶ | تعداد نمایش خلاصه: ۹۹۷ | نظرات: ۰
سال انتشار: ۱۳۹۳
کد COI مقاله: CSITM01_473
زبان مقاله: فارسی
حجم فایل: ۵۴۹.۹۸ کیلوبایت (فایل این مقاله در ۱۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیشبینی روند الگوهای قیمت سهام با استفاده از الگوریتم ژنتیک و دو روش منتخب هوش مصنوعی

    رسول نورالسناء - استاد، دانشکده مهندسی صنایع و سیستمها، دانشگاه علم و صنعت
  منیر محمودی - کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی واحد تهران جنوب
پریا سلیمانی - استاد یار، دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی واحد تهران

چکیده مقاله:

پیش بینی حرکت شاخص قیمت سهام در پیش بینی سری های زمانی مالی، به عنوان یک کار چالش برانگیز تلقی می گردد. پیش بینی دقیق حرکت قیمت سهام ممکن است برای سرمایه گذاران با سود همراه باشد. با توجه به پیچیدگی اطلاعات بازار سهام، توسعه مدل های کارآمد برای پیش بینی بسیار دشوار است .هدف اصلی این پژوهش را می توان تهیه مدلی پیش بینی کننده، به منظور پیش بینی جهت نزولی یا صعودی بودن قیمت سهام در آینده معرفی نمود. جهت مدل سازی، از الگوریتم ژنتیک برای پیدا کردن متغیرهای بهینه استفاده شده و سایر روش های هوش مصنوعی از جمله K نزدیک ترین همسایگی، درخت تصمیم J48 با شاخص دقت ACC، سطح زیر نمودار (ROC(AUC و شاخص F، برای حل مدل به کار رفته اند، همچنین به مقایسه عملکرد آنها، در پیش بینی جهت حرکت روزانه ی 100 شاخص ملی بورس اوراق بهادار استانبول ،پرداخته می شود .بازه ی جمع آوری داده ها از 1997 الی 2007 می باشد و تعداد کل رکوردهای موجود در این مجموعه شامل 2733 رکورد در روز کاری می باشد . ده شاخص فنی به عنوان ورودی مدل های ارائه شده انتخاب شده اند، سپس با استفاده از الگوریتم ژنتیک شاخص های بهینه انتخاب و پیش بینی مربوط به تغییر جهت حرکت سهام ، مدل سازی شده است . درنهایت با استفاده از درخت تصمیم J48 بهترین عملکرد به دست آمده است.

کلیدواژه‌ها:

داده کاوی ، هوش مصنوعی، الگوریتم ژنتیک، بورس اوراق بهادار، درخت تصمیم K, J48 نزدیک ترین همسایگی

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-CSITM01-CSITM01_473.html
کد COI مقاله: CSITM01_473

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:
نورالسناء, رسول؛ منیر محمودی و پریا سلیمانی، ۱۳۹۳، پیشبینی روند الگوهای قیمت سهام با استفاده از الگوریتم ژنتیک و دو روش منتخب هوش مصنوعی، همایش ملی مهندسی رایانه و مدیریت فناوری اطلاعات، تهران، شرکت علم و صنعت طلوع فرزین، https://www.civilica.com/Paper-CSITM01-CSITM01_473.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: (نورالسناء, رسول؛ منیر محمودی و پریا سلیمانی، ۱۳۹۳)
برای بار دوم به بعد: (نورالسناء؛ محمودی و سلیمانی، ۱۳۹۳)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Abu-Mostafa, Y S., & Atiya, A. F (1996). Introduction o ...
  • Ahmad Kazem, Ebrahim Sharifi, Farookh Khadeer Hussain, *, Morteza Saberi, ...
  • Atsalakis, G. S., & Valavanis, K. P. (2009). Surveying stock ...
  • Avci, E. (2007). Forecasting daily and sessional returns of the ...
  • Chu, H. H., Chen, T. _ Cheng, C. H., & ...
  • David Enke, Manfred Grauer, Nijat Mehdiyev.(201 _ Stock Market Prediction ...
  • Diler, A. I. (2003). Predicting direction of ISE national-100 index ...
  • Fagner A. de Oliveira, Cristiane N. Nobre, Luis E. Zarate.(2013). ...
  • Hsu, S. H., Hsieh, J. J. P. A., Chih, T. ...
  • Huang, C. L., & Tsai, C. Y. (2009). A hybrid ...
  • I1. Huang, W., Nakamori, _ & Wang, S. Y. (2005). ...
  • Jonathan L. Ticknor. (2013). A Bayesian regularized artificial neural network ...
  • Kanghee Park, Hyunjung Shin. (2013). Stock price prediction based on ...
  • Lara Khansa, Divakaran Liginlal.(201 1). redicting stock market returs from ...
  • Liao Zhe, Wang Jun.(2011). Forcasting model of global stock index ...
  • M .MarufHossai .(2013). A HMM-based adaptive fuzzy inference system for ...
  • R. Pincak.(2013). The string prediction models as invariants of time ...
  • Sung Hoon Na, So Young Sohn.(2011). Forecasting changes in Korea ...
  • Wensheng Dai, Jui-Yu Wu, Chi-Jie Lu.(2012). Combining nonlinear independent component ...
  • Xu, X., Zhou, C., & Wang, Z. (2009). Credit scoring ...
  • Y. Kara et al. / Expert Systems with Applications 38 ...
  • Yubo Yuan .(2013). Forecasting the movement direction of exchange rate ...
  • Yakup Kara .Melek Acar Boyacioglu .6mer Kaan Baykan .(2011)Predicting direction ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۹۲۴۹
    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 پیشنهادی مرتبط

    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.