این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات مدلسازی اقتصادی، جلد ۶، شماره ۲۲، صفحات ۶۱-۹۱
عنوان فارسی پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی
چکیده فارسی مقاله در بازارهای سرمایه عامل‌های مختلفی در پیش بینی قیمت سهام موثر می باشد بنابراین سرمایه گذار جهت سرمایه گذاری سودآور با کمترین ریسک با چالش، تردید و خطا مواجه می باشد. در راستای کاهش هزینه و بالا بردن سود سرمایه گذاری، تعیین عاملهای تاثیر گذار و زمان مناسب جهت خرید و فروش از مهم ترین مسائلی است که هر سهام دار یا سرمایه گذار در بازار بورس بایستی به آن توجه ویژه داشته باشد. تاکنون روشهای مختلفی جهت نیل به این اهداف معرفی شده اند که اغلب روشهای آماری، هوشمند و ترکیبی هستند. الگوریتم پیشنهادی یک روش ترکیبی است که شامل دو بخش است بخش اول پیش پردازش و بخش دوم پیش بینی کننده است. در پیش پردازش سه فرآیند جاگذاری داده‌های غیر موجود، نرمالیزه کردن و انتخاب ویژگی به ترتیب انجام می شود. از آنجایی که تعداد ویژگی‌های بکار برده شده زیاد است از روش الگوریتم ژنتیک برای انتخاب ویژگی و کاهش ابعاد فضای ویژگی استفاده شده است. در بخش پیش بینی کننده، با توجه به قابلیت پیش بینی هوشمند شبکه عصبی - فازی، از این شبکه با دو ساختار ممدانی و سوگنو بعنوان پیش بینی کننده قیمت سهام بهره می‌بریم که قابلیت استخراج قواعد فازی بصورت خودکار دارد. آموزش پارامترهای مقدمه و نتیجه شبکه برپایه الگوریتم پس انتشار خطا (گرادیان نزولی) می‌باشد. الگوریتم پیشنهادی با استفاده از داده های 10 شرکت که هر کدام از آنها دارای 7 ویژگی می‌باشند، ارزیابی شده است. نتایج شبیه سازی نشان می دهد که با توجه به نوع شرکتها، ویژگیهای انتخابی و نوع ساختار شبکه عصبی فازی ترکیبی نتایج متفاوتی بدست می آید. با توجه به معیارهای مورد ارزیابی، نتایج به دست آمده برتری شبکه عصبی فازی ترکیبی را به شبکه عصبی فازی ساده نشان می دهد، اما بطور کلی پیش بینی‌کننده با ساختار سوگنو با الگوریتم ژنتیک دارای عملکرد بهتری نسبت به ساختار ممدانی دارد، چون تعداد پارامترهای آموزش ساختار سوگنو بیشتر است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Forecasting of Stock Price Using Fuzzy Neural Network Based on GA and Compaision with Fuzzy Neural Network
چکیده انگلیسی مقاله In capital markets, stock price forecasting is affected by variety of factors such as political and economic condition and behavior of investors. Determining all effective factors and level of their effectiveness on stock market is very challenging even with technical and knowledge-based analysis by experts. Hence, investors have encountered challenge, doubt and fault in order to invest with minimum risk. In order to reduce cost and raise the profit of investment, determining effective factors and suitable time for sailing and purchase is one of the important problems that every shareholder or investor in stock market should consider. To reach this goal, a variety of approaches have been introduced, which are often intelligent, statistical, and hybrid. These approaches are mostly used to predict the stock price time series. Our proposed algorithm is hybrid and involves two stages: preprocessing and predictor. The preprocessing stage involves three steps: missing value, normalization and feature selection. Since there are many features in used datasets, genetic algorithm (GA) is used as the feature selection algorithm. In order to intelligent capability of Fuzzy Neural Network (FNN), this network with two structures (Mamdani and Sugeno) is used as a stock price prediction in second stage. This network is capable of extracting fuzzy rules automatically. Back propagation algorithm (gradient decent) is used for adapting all the parameters. Our algorithm is evaluated on ten datasets with seven features obtained from ten different companies. By comparing the simulation results of the simple and hybrid FNN network, we found that the lack of suitable feature selection algorithm will lead to high computational cost, and in many instances the hybrid algorithm outperforms the simple FNN. This results demonstrate the superiority of the hybrid FNN to the simple one. In general, since the number of Sugeno tuning parameters are more than Mamdani, its performance is better than mamdani. Moreover, our algorithm is comparable to the maximum precision rates of other approaches.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله ملیحه رمضانی | malihe ramazani
دانشگاه خوارزمی
سازمان اصلی تایید شده: دانشگاه خوارزمی (Kharazami university)

احمد عاملی | ahmad ameli
دانشگاه خوارزمی
سازمان اصلی تایید شده: دانشگاه خوارزمی (Kharazami university)

نشانی اینترنتی http://jemr.khu.ac.ir/browse.php?a_code=A-10-550-3&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده پولی و مالی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات