CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مقایسه بدعت پیش بینی قیمت سهام با استفاده از روش آموزش الگوریتم لانه زنبور در شبکه های عصبی مصنوعی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۶ | تعداد نمایش خلاصه: ۱۵۶ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: MOCONF03_367
زبان مقاله: فارسی
حجم فایل: ۶۴۳.۲۱ 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 مقایسه بدعت پیش بینی قیمت سهام با استفاده از روش آموزش الگوریتم لانه زنبور در شبکه های عصبی مصنوعی

  مهدی سلیم - کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی واحد زاهدان
زهره حاجیها - استادیار دانشگاه آزاد اسلامی واحد تهران شود، گروه حسابداری تهران

چکیده مقاله:

پیش بینی آینده در عرصه پویایی اقتصاد و بازارهای مالی از جمله بازار سرمایه به یکی از مهم ترین مسائل در علوم مالی ارتقا یافته است. روش ها و تکنیک های مختلفی برای پیش بینی قیمت آتی سهام وجود دارد که یکی از این روش ها، تحلیل بنیادی می باشد. هدف از انجام این تحقیق مقایسه دقت پیش بینی قیمت سهام با استفاده از روش آموزش الگوریتم لانه زنبور در شبکه های عصبی پرسپترون چند لایه و تابع پاییه شعاعی، با استفاده از تحلیل بنیادین می باشد. در این تحقیق سعی شد و شناخت عوامل مختلفی که در تحلیل بنیادین و قیمت سهام اثر می گذارند به پیش بینی قیمت سهام با استفاده از روش آموزش الگوریتم لانه زنبور در شبکه های عصبی مصنوعی MLP و RBF پرداخته شود. در این تحقیق، از الگوی شبکه عصبی مصنوعی برای افزایش اثر بخشی، کاهش هزینه و زمان روش تحلیل بنیادین استفاده شد. بدین منظور به گونه ای متشکل از 182 شرکت در طی یک دوره هشت ساله (1٬385 - 1٬392) از شرکت های پذیرفته شده در بورس اوراق بهادار تهران انتخاب شد و مورد بررسی قرار گرفتند. نتایج، نشان دهنده بدعت خود مدل سازی پیش بینی قیمت سهام در بورس اوراق بهادار می باشد همچنین مقایسه دقت الگوریتم لانه زنبور در پیش بینی قیمت سهام در دو شبکه عصبی مذکور بیانگر بدعت بالاتر الگوریتم لانه زنبور پر شبکه عصبی پرسپترون چند لایه است.

کلیدواژه‌ها:

پیش بینی قیمت سهام، تحلیل بنیادین، الگوریتم لانه زنبور، شبکه عصبی RBF ، شبکه عصبی MLP

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-MOCONF03-MOCONF03_367.html
کد COI مقاله: MOCONF03_367

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:
سلیم, مهدی و زهره حاجیها، ۱۳۹۴، مقایسه بدعت پیش بینی قیمت سهام با استفاده از روش آموزش الگوریتم لانه زنبور در شبکه های عصبی مصنوعی، سومین کنفرانس بین المللی حسابداری و مدیریت، تهران، موسسه همایشگران مهر اشراق، https://www.civilica.com/Paper-MOCONF03-MOCONF03_367.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: (سلیم, مهدی و زهره حاجیها، ۱۳۹۴)
برای بار دوم به بعد: (سلیم و حاجیها، ۱۳۹۴)
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 :

  • Yoon, Y., T. Guimaraes and G. Swales(1994). "Integrating Artificial Networks ...
  • Liang, J., Song, W., and Wang. M. (2011). Stock Price ...
  • Sundaresh Ramnath, Steve Rock, Philip Shane (January-M arch 2008) «Thefinancial ...
  • Olson, D. & Mossman, C. (2003). Neural Network Forecasts of ...
  • Omran, M., & Ragab , A.(2004). Linear versus non-linear Relationships ...
  • Nazarian, R., G andali Alikhani, N., Naderi, E., and Amiri, ...
  • Adebiyi, A. A., Charles, A., Adebiyi, M., and Adebiyi, O. ...
  • Chang, P.N., Wang, D.D, and Zhou, C. L. (2012). A ...
  • Jigar, P., Sahil S., Priyank T., K Kotecha.(20 15) Predicting ...
  • .Karaboga, d. , B ahriye, aka.(2009).A comparative study of Artificial ...
  • .Mayankkumar , B Patel, Sunil, R, Y.(2014). Stock Price Prediction ...
  • Peter, H., Vladimir, O., and Renata, M. (2013). Forecasting Stock ...
  • Puspanjali, M., Alok, R., , and Tapas Kumar, P. (2012). ...
  • Rout, M. _ Majhi, B., Mohapatra, U.M., Mahapatra, R.(2012). An ...
  • _ Thawormwong, S., and Enke, D. (2004). The adaptive selection ...
  • Yadav, N., Yadav, Sh., and Dhanda, P. (2013). Stock Price ...
  • Yildiz, B., and Yezegel, A. (2010). Fundamental Analysis with Artificial ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۴۲۰۴
    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.