پیش‌بینی بازار سهام با استفاده از الگوریتم بهینه‌سازی ملخ بهبود یافته و الگوریتم‌های سری زمانی
الموضوعات :
وحید صفری دهنوی
1
(صنعتی امیرکبیر)
مسعود شفیعی
2
(استاد داشگاه صنعتی امیرکبیر)
الکلمات المفتاحية: پیش‌بینی, الگوریتم بهینه‌سازی ملخ بهبود یافته, شبکه عصبی GMDH, پیش‌بینی, مدل‌سازی,
ملخص المقالة :
پیش‌بینی بازار سهام به عنوان یک زمینه جذاب و همچنین چالش برانگیز برای سرمایه گذاران در بازارهای مالی عمل می‌کند. بسیاری از مدل‌های مورد استفاده در پیش‌بینی بازار سهام قادر به پیش‌بینی دقیق نیستند یا این مدل‌ها نیاز به تعداد داده ورودی بسیار زیادی دارند که باعث افزایش حجم شبکه‌ها و پیچیدگی یادگیری می‌شود که همه این موارد در نهایت موجب کاهش دقت در پیش‌بینی می‌شود. این مقاله یک روش برای پیش‌بینی بازار سهام را پیشنهاد می‌دهد که این روش قادر هست به طور موثر وضعیت بازار سهام را پیش‌بینی کند. در این مقاله، برای کاهش حجم داده‌های ورودی از قیمت گذشته بازار استفاده شده و این داده‌ها در یک مدل رگریسور قرار داده شده است. در این حالت، با ارایه یک روش مبتنی بر الگوریتم بهینه‌سازی ملخ بهبود یافته، تعیین می‌شود که داده‌های فعلی بازار بورس به کدام داده‌های قبلی وابسته هستند و با استفاده از داده‌های قبلی می‌توان داده جدید را پیش‌بینی کرد. برای پیش‌بینی سری زمانی نیز از روش‌های شبکه عصبی GMDH، شبکه نروفازی و شبکه عصبی استفاده شده است؛ به علاوه، در این مقاله از روش‌های متناسب‌سازی داده‌ها با استفاده از الگوریتم‌های مختلف استفاده شده است که این روش‌ها می‌توانند در پیش‌بینی بازار موثر باشند. در نهایت، از مجموعه داده شرکت تسلا برای اعتبارسنجی و تست الگوریتم‌های ارایه شده استفاده شده است و نتایج شبیه‌سازی در پایان آمده است. همانطور که در قسمت شبیه‌سازی نشان داده شده، با استفاده از الگوریتم بهینه‌سازی ملخ بهبود یافته، موثرترین خروجی‌ها برای پیش‌بینی ارزش سهام به دست آمده و در نهایت با استفاده از چند حالت مختلف پیش‌بینی انجام شده و نتایج روش‌های مختلف مورد مقایسه قرار گرفته و ارزیابی بر اساس معیار خطای میانگین مربع (RMSE) انجام شده است. مدل پیشنهادی پیش بینی بازار سهام دارای حداقل RMSE=4.05 است که نشان دهنده اثربخشی روش پیشنهادی در پیش بینی بازار سهام است. نتایج نشان می‌دهد که در بین الگوریتم‌های ارایه شده مربوط به پیش‌بینی سری زمانی، شبکه GMDH با الگوریتم ترکیبی ارایه شده، بهترین نتیجه را در بر داشته است.
[1]. Buettner R. Predicting user behavior in electronic markets based on personality-mining in large online social networks: A personality-based product recommender framework. The International Journal on Networked Business. Springer, 2016. pp. 1–19.
[2]. Mosavi A, Vaezipour A. Developing effective tools for predictive analytics and informed decision. University of Tallinn, Technical Report. 2013.
[3] Jones ER. Neural Networks’ Role in Predictive Analytics. DM Review Special Report. 2008.
[4] Krauss C, Do XA, Huck N. Deep neural networks, gradient boosted trees, random forests: Statistical arbitrage on the S&P 500. Eur J Oper Res. 2017;259:689–702.
[5] Hiransha M, Gopalakrishnan EA, Menon VK, Soman KP. NSE stock market prediction using deep-learning models. Procedia Comput Sci. 2018;132: 1351–1362.
[6] Abraham A, Nath B, Mahanti PK. Hybrid intelligent systems for stock market analysis. In: Proceedings of International Conference on Computational Science. San Francisco, CA. Springer-Verlag, Berlin Heidelberg, 2001. pp. 337–345.
[7] Vijaya P, Raju G, Ray SK. Artificial neural network-based merging score for Meta search engine. J Central South Univ. 2016;23:2604–2615.
[8] Evans C, Pappas K, Xhafa P. Utilizing artificial neural networks and genetic algorithms to build an algo-trading model intra-day foreign exchange speculation. Math Comput Model. 2013;58:1249–1266.
[9] Sun BQ, Guo H, Karimi HR, et al. Prediction of stock market futures based on fuzzy sets and multivariate fuzzy time series. Neurocomputing. 2015; 151:1528–1536.
[10] Efendi R, Arbaiy N, Deris MM. A new procedure in stock market forecasting based on fuzzy random auto-regression time series model. Inform Sci. 2018;441:113–132.
[11] Khedr AE, Yaseen N. Predicting stock market behavior using data mining technique and news sentiment analysis. Int J Intell Syst Appl. 2017;9:22.
[12] Ahmadi E, Jasemi M, Monplaisir L, et al. New efficient hybrid candlestick technical analysis model for stock market timing on the basis of the Support Vector Machine and Heuristic Algorithms of Imperialist Competition and Genetic. Expert Syst Appl. 2018;94:21–31.
[13]. Safari Dehnavi, V., & Shafiee, M. (2020). »LQR for Generalized Systems Using Metaheuristic Algorithms Based on Disturbance Observer«. 28th Iranian Conference on Electrical Engineering (ICEE), 2020, 08, 04, Tabriz, Iran.
[14]. Sabri, M. (2018). »Stabilization and control of power system using meta-heuristic algorithms«. Karafan (TVU), 14 (42), 33-55.
[15]. Pourdadashi Komachali, F., & Shafiee, M. (2020). »Sensor fault diagnosis in fractional-order singular systems using unknown input observer«. International Journal of Systems Science, 51 (1), 116-132.
[16] Huang, W. (2007). »Neural networks in finance and economics forecasting«. International Journal of Information Technology & Decision Making, 6 (1), 113-140.
[17] Dennis, O. & Mossman, CH. (2003). »Neural network forecasts of Canadian stock returns using accounting ratios«. International Journal of Forecasting, 19 (3), 453-465.
[18] Kelly, J. (2011). »The current stock of money: an aggregation theoretic measure of narrowly defined money«. Applied Economics Letters, 18 (7), 659-664.
[19] Moayedi, H. (2020). »Optimization of ANFIS with GA and PSO estimating α ratio in driven piles«. Engineering with Computers, 36 (1), 227-238.
[20] Sajadi, A. (2020). »Estimation of cetane numbers of biodiesel and diesel oils using regression and PSO-ANFIS models«. Renewable Energy, 158 (1), 465-473.
[21] Çakıt, E. (2020). »Assessing safety at work using an adaptive neuro-fuzzy inference system (ANFIS) approach aided by partial least squares structural equation modeling (PLS-SEM)«. International Journal of Industrial Ergonomics, 76(1), 102925- (in press).
[22] Choo, K. (2018). »Symmetries and many-body excitations with neural-network quantum states«. Physical review letters, 121 (16), 167-204.
[23] Dai, A., & Quoc V. (2020). »Training a document classification neural network«, U.S. Patent No. 10,528,866. 7.
[24] Shqair, M. (2020). »Adaptation of conformable residual power series scheme in solving nonlinear fractional quantum mechanics problems«. Applied Sciences, 10 (3), 890-912.
[25] Erik, C., Gálvez, J., & Avalos, O. (2020). »Gravitational Search Algorithm for Non-linear System Identification Using ANFIS-Hammerstein Approach«. Recent Metaheuristics Algorithms for Parameter Identification (Springer), 854 (1), 97-134.
[26] Bobyr, M., & Sergey G. (2020). »A nonlinear method of learning neuro-fuzzy models for dynamic control systems«. Applied Soft Computing, 88 (1), 106030-106044.
[27] SafariDehnavi, Vahid, and Masoud Shafiee. "The prediction of stock value by using the proposed fuzzy neural network and hybrid algorithm." Karafan Quarterly Scientific Journal 18.1 (2021): 203-220.
[28] Pourzamani, Z. & Miralavi, H. (2018). »Provide a model for stock price forecasting using meta-innovative methods and neural networks«. Quarterly Journal of Financial Management and Securities, 10 (40), 57-83 (in Persian).
[29] Samadipour, S., Matinfard, R. & Torkashvand, A. (2020). »Investigating and predicting the decline or growth of stock companies in a certain period of time using data mining classification technique«. The Third International Conference on New Strategies in Engineering, Information Science and Technology in the Next Century, 2020, 05, 20, Tehran, Iran (in Persian).
