این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
اقتصاد و بانکداری اسلامی، جلد ۱۱، شماره ۴۱، صفحات ۱۱۷-۱۳۴
عنوان فارسی ارائه مدل پیش بینی قیمت سهام با استفاده از الگوریتم های یادگیری عمیق و کاربرد آن درقیمت گذاری سهام بانک های اسلامی
چکیده فارسی مقاله پیش بینی قیمت سهام امری پیچیده است؛ مؤلفه­های گوناگونی از قبیل وضع عمومی اقتصاد، رخداد­های سیاسی و انتظارات سرمایه گذاران، بر بازار سهام تأثیر می گذارد. بازار سهام، در حقیقت یک سیستم غیرخطی و آشوبناک است که به عوامل متعدد سیاسی، اقتصادی و روانی وابسته است، برای غلبه بر محدودیت تکنیک­های تحلیل سنتی در پیش بینی الگوهای غیرخطی، متخصصان طی دو دهه اخیر تکنیک­های هوشمند و بخصوص شبکه­های عصبی مصنوعی و الگوریتم ژنتیک را برای بهبود پیش بینی قیمت سهام به کاربرده اند. این پژوهش، با توجه به گسترش روز افزون روش های پیش بینی در بازارهای مالی و نیز، از آنجا که قیمت سهام یکی از مهم ترین عوامل مؤثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند، در این پژوهش سعی شده است، مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام مورد نظر را با دقت بالایی پیش بینی کرد. بر همین اساس، یک مدل ترکیبی برای پیش بینی روند حرکتی قیمت سهام با استفاده از شبکه عصبی مصنوعی ارائه شده است. برای نمونه آماری، شرکت های برتر بورس اوراق بهادار در سه ماهه دوم سال 1399 انتخاب شده است. سپس برای هراین منظور، 32 متغیر محاسبه شد. این متغیرها ورودی مدل هستند و به کمک الگوریتم  شبکه عصبی مصنوعی بهینه سازی شده اند. نتایج نشان می دهد، مدل در پیش بینی روند حرکتی قیمت سهام بسیار بهتر عمل کرده و درمقایسه باروش های سنتی، از دقت بالاتری برخوردار است.
کلیدواژه‌های فارسی مقاله پیش بینی، قیمت سهام، شبکه عصبی، یادگیری عمیق
عنوان انگلیسی Provide a stock price forecasting model using deep learning algorithms and its use in the pricing of Islamic bank stocks
چکیده انگلیسی مقاله Predicting stock prices is complicated; various components, such as the general state of the economy, political events, and investor expectations, affect the stock market. The stock market is in fact a chaotic nonlinear system that depends on various political, economic and psychological factors. To overcome the limitations of traditional analysis techniques in predicting nonlinear patterns, experts over the last two decades have used intelligent techniques, especially networking. They have used artificial neural networks and genetic algorithms to improve stock price forecasting. This study, considering the increasing development of forecasting methods in financial markets and also, since stock price is one of the most important factors influencing investment decisions and its forecasting can play an important role in this field, In this research, an attempt has been made to provide a model based on which the movement of the stock price can be predicted with high accuracy. Accordingly, a hybrid model for predicting stock price movement using artificial neural network is presented. For the statistical sample, the top companies of the stock exchange in the second quarter of 1399 have been selected. Then for each purpose, 32 variables were calculated. These variables are the input of the model and are optimized using the artificial neural network algorithm. The results show that the model performs much better in predicting the movement of stock prices and has a higher accuracy compared to traditional methods.
کلیدواژه‌های انگلیسی مقاله Prediction, Stock Price, Nervous Network, Deep Learning
نویسندگان مقاله مهران سعیدی اقدم | mehran saeidi aghdam
Islamic Azad University Qazvin
دکتری کارآفرینی، دانشگاه آزاد اسلامی، قزوین (نویسنده مسئول)

احمد صادقی | ahmad sadeghi
Assistant Professor of Shahid Beheshti University
استادیار گروه جغرافیا، دانشکده علوم زمین، دانشگاه شهید بهشتی

علیرضا بحیرایی | alireza bahiraie
Assistant Professor of Semnan University
استادیار گروه ریاضی، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه سمنان

سید یوسف حاجی اصغری | seyed yousef haji asghari
Assistant Professor f Mianeh, Islamic Azad University
استادیار گروه مدیریت، واحد میانه، دانشگاه آزاداسلامی، میانه، ایران

نشانی اینترنتی http://mieaoi.ir/browse.php?a_code=A-10-839-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات