ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Hybrid Multilayer Perceptron Neural Network with Grey Wolf Optimization for Predicting Stock Market Index

سال انتشار: 1400
کد COI مقاله: JR_AMFA-6-4_014
زبان مقاله: انگلیسیمشاهده این مقاله: 36
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Hybrid Multilayer Perceptron Neural Network with Grey Wolf Optimization for Predicting Stock Market Index

Meysam Doaei - Department of Management, Esfarayen Branch, Islamic Azad University, Esfarayen, Iran
Seyed Ahmad Mirzaei - Faculty of Management and Accounting, Aliabad Katoul Branch, Islamic Azad University, Aliabad Katoul, Iran
Mohammad Rafigh - Department of Finance, Esfarayen Branch, Islamic Azad University, Esfarayen, Iran

چکیده مقاله:

Stock market forecasting is a challenging task for investors and researchers in the financial market due to highly noisy, nonparametric, volatile, complex, non-linear, dynamic and chaotic nature of stock price time series. With the development of computationally intelligent method, it is possible to predict stock price time series more accurately. Artificial neural networks (ANNs) are one of the most promising biologically inspired techniques. ANNs have been widely used to make predictions in various research. The performance of ANNs is very dependent on the learning technique utilized to train the weight and bias vectors. The proposed study aims to predict daily Tehran Exchange Dividend Price Index (TEDPIX) via the hybrid multilayer perceptron (MLP) neural networks and metaheuristic algorithms which consist of genetic algorithm (GA), particle swarm optimization (PSO), black hole (BH), grasshopper optimization algorithm (GOA) and grey wolf optimization (GWO). We have extracted ۱۸ technical indicators based on the daily TEDPIX as input parameters. Therefore, the experimental result shows that grey wolf optimization has superior performance to train MLPs for predicting the stock market in metaheuristic-based.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_AMFA-6-4_014 میباشد و 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://civilica.com/doc/1275196/

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:
Doaei, Meysam and Mirzaei, Seyed Ahmad and Rafigh, Mohammad,1400,Hybrid Multilayer Perceptron Neural Network with Grey Wolf Optimization for Predicting Stock Market Index,https://civilica.com/doc/1275196

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: (1400, Doaei, Meysam؛ Seyed Ahmad Mirzaei and Mohammad Rafigh)
برای بار دوم به بعد: (1400, Doaei؛ Mirzaei and Rafigh)
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 :

  • Alba, E., Chicano, J.F., Training neural networks with GA hybrid ...
  • Doi: ۱۰.۱۱۰۹/MHS.۱۹۹۵.۴۹۴۲۱۵[۶] Ecer, F., Ardabili, S., Band, S.S., Mosavi, A., ...
  • Doi: ۱۰.۳۳۹۰/e۲۲۱۱۱۲۳۹[۷] Faris, H., Aljarah, I., Al-Madi, N., Mirjalili, S., ...
  • Doi: ۱۰.۱۰۸۰/۰۱۹۶۹۷۲۲.۲۰۱۷.۱۲۸۵۱۶۲[۱۰] Ghasemzadeha, M., Mohammad-Karimi, N., Ansari-Samani, H., Machine learning ...
  • Doi: ۱۰.۲۲۰۳۴/amfa.۲۰۲۰.۶۷۴۹۴۶[۱۱] Hatamlou, A., Black hole: A new heuristic optimization ...
  • Doi: ۱۰.۱۰۰۷/s۰۰۵۰۰-۰۱۸-۳۴۲۴-۲[۱۴] Heidari, A.A., Faris, H., Mirjalili, S., Aljarah, I., ...
  • Doi: ۱۰.۱۰۰۷/۹۷۸-۳-۰۳۰-۱۲۱۲۷-۳_۳[۱۵] Holland, J. H, Adaptation in natural and artificial ...
  • Izadikhah, M., Using goal programming method to solve DEA problems ...
  • Ojha, V.K., Abraham, A., Snášel, V., Metaheuristic design of feedforward ...
  • Doi: ۱۰.۱۰۱۶/j.engappai.۲۰۱۷.۰۱.۰۱۳[۲۰] Pillay, B.J., Ezugwu, A.E., Metaheuristics optimized feedforward neural ...
  • Rezaei, N., Javaheri, M., The Predictability Power of Neural Network ...
  • Doi: ۱۰.۲۲۰۳۴/amfa.۲۰۱۹.۱۸۶۳۹۶۳.۱۱۹۵[۲۲] Saremi, S., Mirjalili, S., Lewis, A., Grasshopper optimisation ...
  • Thakkar, A., Chaudhari, K., A Comprehensive Survey on Portfolio Optimization, ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

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

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: 103
    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.

    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.

    پشتیبانی