کاربرد شبکه های عصبی مصنوعی در پیش بینی داده های سری زمانی: مطالعه موردی بورس تهران
- سال انتشار: 1400
- محل انتشار: اولین کنفرانس بین المللی جهش علوم مدیریت، اقتصاد و حسابداری
- کد COI اختصاصی: MMEA01_1208
- زبان مقاله: فارسی
- تعداد مشاهده: 225
نویسندگان
دانشجوی کارشناسی ارشد مدیریت مالی (دانشکده علوم مالی، دانشگاه خوارزمی، تهران)
دانشجوی کارشناسی ارشد مدیریت مالی (دانشکده علوم مالی، دانشگاه خوارزمی، تهران)
چکیده
هدف: در این پژوهش ضمن اشاره به کاربرد شبکه های عصبی مصنوعی در بازارهای مالی، به مقایسه مدل حافظه کوتا همدت ماندگار و مدلتکرارشونده درگاهی از دسته مدلهای داده کاوی و هوش مصنوعی، در دقت پیش بینی آنها بر روی داده های ده سهم بزرگ بازار بورس تهران دربازه زمانی ده ساله، از ابتدای ۱۳۸۸ تا ابتدای سال ۱۳۹۸ پرداخته شده است. هدف از این پژوهش معرفی مدل بهتر برای پیش بینی قیمت پایانیاین ده سهم است.روش: از آن جایی که این تحقیق بر روی داده های بازار بورس تهران انجام شده، هر یک از سهم های موردمطالعه با مشکل داده های گم شدهروبه روست که این مشکل در نهایت تاثیر بسزایی بر عملکرد مدل می گذارد. به منظور حل این مشکل از روش رگرسیون خطی برای پیداکرد ناین داده ها و در ادامه برای توضیح قیمت پایانی هر سهم از اندیکاتورها و اسیلاتورهای تکنیکال استفاده شده است. در گام بعد از الگوریتم جنگلتصادفی از دسته مدل های یادگیری ماشین ها به منظور انتخاب موثرترین این متغیرها استفاده شده است. در نها یت از آزمون دیابولد ماریانو بر ا یبررسی معنی دار بودن اختلاف در دقت پیش بینی این دو مدل استفاده شده است. شایان ذکر است که در این مطالعه برای اولین بار در ایرانعملکرد این ۲ شبکه عصبی مصنوع ی با این ساختار در بازار سهام مقایسه شده است .یافته ها: یافته های این پژوهش حاکی از آن است که هر دو مدل مورد بررسی قدرت بالایی در جهت استخراج اطلاعات از داده های سری زمانی رادارند اما مدل حافظه کوتاه مدت ما ندگار به دقت بالاتری در شش سهم از ده سهم موردمطالعه و مدل تکرارشونده درگاهی در چهار سهم باقی ،دست یافته اند.نتایج: در نهایت نتایج آزمون دیابولد ماریانو نشان داد که به جز اختلاف دقت دو مدل در یکی از سه مهای موردمطالعه، در باقی آ نها از حیثآماری معنی دار است. نتایج این تحقیق می توان راهنمائی برای افرا دی که مدیریت سبد سهام انجام می دهند و همچنین گسترش دهندگانابزاره ای تحلیل و معامله قرار گیرد.کلیدواژه ها
مدل حافظه کوتاه مدت ماندگا ر، مدل تکرارشونده درگاهی، الگوریتم جنگل تصادفی، بازار بورس تهرانمقالات مرتبط جدید
- ساختار سازمانی برای نسل Z: طراحی تیم ها و فرآیندهای کاری برای نسل دیجیتال
- ارزیابی اثرات مدیریت زنجیره تامین کالاها بر بهرهوری و تاب آوری در صنعت ساخت و ساز
- Optimizing transport routing in the supply chain using the Ant Colony Optimization in MATLAB
- ارائه مدل معیار جامع برای محاسبه اوزان مشترک در تحلیل پوششی داده های چند هدفه
- Marketing Analysis of Dynamic Capabilities and Customer Satisfaction in the Housing Industry
اطلاعات بیشتر در مورد 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.