Comparing A Hybridization of Fuzzy Inference System and Particle Swarm Optimization Algorithm with Deep Learning to Predict Stock Prices
Subject Areas : GeneralMajid Abdolrazzagh-Nezhad 1 , mahdi kherad 2
1 - دانشگاه بزرگمهر قائنات
2 -
Keywords: Stock Price Prediction, Fuzzy Inference System, Deep Learning, Neural Networks, Particle Swarm , Optimization Algorithm,
Abstract :
Predicting stock prices by data analysts have created a great business opportunity for a wide range of investors in the stock markets. But the fact is difficulte, because there are many affective economic factors in the stock markets that they are too dynamic and complex. In this paper, two models are designed and implemented to identify the complex relationship between 10 economic factors on the stock prices of companies operating in the Tehran stock market. First, a Mamdani Fuzzy Inference System (MFIS) is designed that the fuzzy rules set of its inference engine is found by the Particle Swarm Optimization Algorithm (PSO). Then a Deep Learning model consisting of 26 neurons is designed wiht 5 hidden layers. The designed models are implemented to predict the stock prices of nine companies operating on the Tehran Stock Exchange. The experimental results show that the designed deep learning model can obtain better results than the hybridization of MFIS-PSO, the neural network and SVM, although the interperative ability of the obtained patterns, more consistent behavior with much less variance, as well as higher convergence speed than other models can be mentioned as significant competitive advantages of the MFIS-PSO model
Farmer, J.D. and A.W. Lo, Frontiers of finance: Evolution and efficient markets. Proceedings of the National Academy of Sciences, 1999. 96(18): p. 9991-9992.
2. Vachhani, H., et al. Machine learning based stock market analysis: A short survey. in International Conference on Innovative Data Communication Technologies and Application. 2019. Springer.
3. Jain, V.R., M. Gupta, and R.M. Singh, Analysis and Prediction of Individual
4. جهانتیغ, ف., د.پ. تلگردویی, and صفورا, وقفه های زمانی بهینه در پیش بینی قیمت نفت توسط شبکه عصبی پویا اصلاحشده با الگوریتم ژنتیک. فصلنامه مطالعات اقتصاد انرژی, 2018. 14(56): p. 115-143.
5. قربانی, et al., پیش بینی سیگنال معاملات سهام با استفاده از شبکه های پتری رنگی و الگوریتم ژنتیک (مطالعه موردی: بازار بورس تهران). پژوهشنامه مدیریت اجرایی, 2019. 11(21): p. 205-227.
6. نژاد, ف. and مینایی, پیشبینی رفتار بازار سهام بر اساس شبکههای عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند. مدیریت صنعتی, 2018. 10(2): p. 315-334.
7. رمضانی and عاملی, پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی. تحقیقات مدلسازی اقتصادی, 2016. 6(22): p. 61-91.
8. باباجانی, et al., پیش بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی. راهبرد مدیریت مالی, 2019. 7(2): p. 195-228.
9.Kim, T. and H.Y. Kim, Forecasting stock prices with a feature fusion LSTM-CNN model using different representations of the same data. PloS one, 2019. 14(2).
10.monajemi, abzari, and rayati, Stock price prediction in stock exchange stock exchange using fuzzy neural network and genetic algorithm and comparing it with artificial neural network. Quarterly Journal of Economics, 2010. 3(6): p. 1-26.
11.Hájek, P., V. Olej, and R. Myskova, Forecasting stock prices using sentiment information in annual reports: A neural network and support vector regression approach. WSEAS Transactions on Business and Economics, 2013. 10(4): p. 293-305.
12.Hadavandi, E., H. Shavandi, and A. Ghanbari, Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems, 2010. 23(8): p. 800-808.
13.Chen, Y., et al., Hybrid methods for stock index modeling. Fuzzy Systems and Knowledge Discovery, 2005: p. 490-490.
14.Wang, S., et al., Stock price prediction based on chaotic hybrid particle swarm optimisation-RBF neural network. International Journal of Applied Decision Sciences, 2017. 10(2): p. 89-100.
15.Khuat, T.T. and M.H. Le, An Application of Artificial Neural Networks Stock Prices of Financial Sector Companies in NIFTY50. International Journal of Information Engineering and Electronic Business, 2018. 11(2): p. 33.
16.Ghasemiyeh, R., R. Moghdani, and S.S. Sana, A Hybrid Artificial Neural Network with Metaheuristic Algorithms for Predicting Stock Price. Cybernetics and Systems, 2017. 48(4): p. 365-392.
18.Rajihy, Y., K. Nermend, and A. Alsakaa, Back-propagation artificial neural networks in stock market forecasting. An application to the Warsaw Stock Exchange WIG20. Aestimatio, 2017(15): p. 88.
20. موسوی, س. علیرضا, and غلامی, استفاده از الگوریتم ترکیبی عصبی کرم شبتاب و روش رگولاسیون بیزین جهت پیشبینی قیمت سهام. مهندسی مالی و مدیریت اوراق بهادار, 1397. 9(36): p. 295-321.
21.Fischer, T. and C. Krauss, Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 2018. 270(2): p. 654-669.
22.Long, W., Z. Lu, and L. Cui, Deep learning-based feature engineering for stock price movement prediction. Knowledge-Based Systems, 2019. 164: p. 163-173.
23.Kelotra, A. and P. Pandey, Stock market prediction using optimized deep-convlstm model. Big Data, 2020. 8(1): p. 5-24.
24.Xiao, C., W. Xia, and J. Jiang, Stock price forecast based on combined model of ARI-MA-LS-SVM. Neural Computing and Applications, 2020: p. 1-10.
25.Lee, M.-C., Using support vector machine with a hybrid feature selection method to the stock trend prediction. Expert Systems with Applications, 2009. 36(8): p. 10896-10904.
26.Chen, Y. and Y. Hao, A feature weighted support vector machine and K-nearest neighbor algorithm for stock market indices prediction. Expert Systems with Applications, 2017. 80: p. 340-355.
27.Nair, B.B., V. Mohandas, and N. Sakthivel, A decision tree—rough set hybrid system for stock market trend prediction. International Journal of Computer Applications, 2010. 6(9): p. 1-6.
28.Qiu, W., X. Liu, and L. Wang, Forecasting shanghai composite index based on fuzzy time series and improved C-fuzzy decision trees. Expert Systems with Applications, 2012. 39(9): p. 7680-7689.
29.Basak, S., et al., Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 2019. 47: p. 552-567.
30.Khaidem, L., S. Saha, and S.R. Dey, Predicting the direction of stock market prices using random forest. arXiv preprint arXiv:1605.00003, 2016.
31.Sharma, N. and A. Juneja. Combining of random forest estimates using LSboost for stock market index prediction. in 2017 2nd International Conference for Convergence in Technology (I2CT). 2017. IEEE.
32.الهام, غ. and د. سيدمحمدرضا, پيش بيني روند قيمت در بازار سهام با استفاده از الگوريتم جنگل تصادفي. فصلنامه مهندسی مالی و مدیریت اوراق بهادار 1397. 9(35): p. 301-322.
33.Alkhatib, K., et al., Stock price prediction using k-nearest neighbor (kNN) algorithm. International Journal of Business, Humanities and Technology, 2013. 3(3): p. 32-44.
34.زاده, et al., پیشبینی قیمت سهام با استفاده از روش خود رگرسیون با وقفه توزیعی (ARDL). تحقیقات مالی, 1386. 9(23): p. 49-60.
35.قلی زاده, م.ح., et al., پیش بینی قیمت سهام با روش رگرسیون فازی. پژوهشنامه اقتصاد کلان, 1390. 6(12): p. 107-128.
36.Kita, E., M. Harada, and T. Mizuno, Application of Bayesian Network to stock price prediction. Artif. Intell. Research, 2012. 1(2): p. 171-184.
37.Sun, Q., W.-G. Che, and H.-L. Wang, Bayesian regularization BP neural network model for the stock price prediction, in Foundations and applications of intelligent systems. 2014, Springer. p. 521-531.
38.Wang, L., et al., Stock market trend prediction using dynamical Bayesian factor graph. Expert Systems with Applications, 2015. 42(15-16): p. 6267-6275.
39.Hassan, M.R., et al., A HMM-based adaptive fuzzy inference system for stock market forecasting. Neurocomputing, 2013. 104: p. 10-25.
40.Chang, P.-C. and C.-H. Liu, A TSK type fuzzy rule based system for stock price prediction. Expert Systems with applications, 2008. 34(1): p. 135-144.
41.Lincy, G.R.M. and C.J. John, A multiple fuzzy inference systems framework for daily stock trading with application to NASDAQ stock exchange. Expert Systems with Applications: An International Journal, 2016. 44(C): p. 13-21.
42.Chandar, S.K., Fusion model of wavelet transform and adaptive neuro fuzzy inference system for stock market prediction. Journal of Ambient Intelligence and Humanized Computing, 2019: p. 1-9.
43.Feylizadeh, M.R., M.H. Keshavarz, and A. Hendalianpour, Presenting a model for predicting the Tehran Stock Exchange Index using ANFIS and fuzzy regression. Journal of New Researches in Mathematics, 2019.
44.Nhu, H.N., S. Nitsuwat, and M. Sodanil. Prediction of stock price using an adaptive Neuro-Fuzzy Inference System trained by Firefly Algorithm. in 2013 International Computer Science and Engineering Conference (ICSEC). 2013. IEEE.
45.Dash, R. and P. Dash, Efficient stock price prediction using a self evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique. Expert Systems with Applications, 2016. 52: p. 75-90.
46.Wei, L.-Y., A hybrid model based on ANFIS and adaptive expectation genetic algorithm to forecast TAIEX. Economic Modelling, 2013. 33: p. 893-899.
47.Bagheri, A., H.M. Peyhani, and M. Akbari, Financial forecasting using ANFIS networks with quantum-behaved particle swarm optimization. Expert Systems with Applications, 2014. 41(14): p. 6235-6250.
48.Han, J., J. Pei, and M. Kamber, Data mining: concepts and techniques. 2011: Elsevier.
49.Bova, S., et al. A logical analysis of Mamdani-type fuzzy inference, I theoretical bases. in International Conference on Fuzzy Systems. 2010. IEEE.
50.Kennedy, J. and R. Eberhart, Particle Sswarm Ooptimization. IEEE, 1995: p. 1942-1948.
51.Engelbrecht, A.P., Computational intelligence: an introduction. 2 ed. 2007, England: John Wiley & Sons. 597.
52.Werbos, P.J., Beyond Regression: New Tools for Prediction and Analysis in the Behavioural Sciences. 1974, Harvard University: Boston, USA.
فصلنامه علمي- پژوهشي فناوري اطلاعات و ارتباطات ایران | سال یازدهم، شمارههاي 41 و 42، پاییز و زمستان1398 |
|
ترکیب دوگانه سیستم استنتاج فازی با الگوریتم بهینهسازی ازدحام ذرات در پیشبینی قیمت سهام بورس اوراق بهادار تهران و مقایسه آن با مدل یادگیری عمیق
*مجید عبدالرزاق نژاد **مهدی خرد
*استادیار،گروه مهندسی کامپیوتر، دانشکده مهندسی - دانشگاه بزرگمهر قائنات - قائن – ایران
**کارشناس ارشد، دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند - بیرجند – ایران
تاریخ دریافت: 15/11/1398 تاریخ پذیرش: 07/05/1399
چکیده
پیشبینی قیمت سهام توسط تحلیلگران داده یک فرصت تجاری بزرگ را برای طیف گسترده سرمایهگذاران در بازار سهام ایجاد کرده است. اما این مهم به دلیل ماهیت بی ثبات و پویایی بیش از حد عوامل متعدد اقتصادی تاثیرگذار بر بازار سهام، امری دشوار است. در این پژوهش به منظور شناسایی ارتباط پیچیده 10 متغیر اقتصادی بر قیمت سهام شرکتهای فعال در بازار سهام تهران، دو مدل طراحی و پیادهسازی شده است. نخست یک سیستم استنتاج فازی ممدانی که مجموعه قوانین موتور استنتاج خود را توسط الگوریتم بهینهسازی ازدحام ذرات بدست میآورد طراحی میشود. سپس مدل یادگیری عمیق مشتمل بر 26 نرون در 5 لایه پنهان طراحی شده است. مدلهای طراحی شده به منظور پیشبینی قیمت سهام نه شرکت فعال در بورس اوراق بهادار تهران پیادهسازی و نتایج بدست آمده حاکی از عملکرد بهتر مدل یادگیری عمیق بر مدل ترکیب دوگانه استنتاج فازی-ازدحام ذرات و نیز مدل رایج شبکه عصبی دارد. اما قدرت تفسیرپذیری الگوی بدست آمده، رفتار همسانتر و با واریانس به مراتب کمتر و نیز سرعت همگرایی بیشتر نسبت به سایر مدلها را میتوان از مزایای رقابتی قابل توجه مدل ترکیب دوگانه استنتاج فازی-ازدحام ذرات نام برد.
واژههای کلیدی: پیشبینی قیمت سهام، سیستم استنتاج فازی، یادگیری عمیق، شبکه عصبی و الگوریتم بهینهسازی ازدحام ذرات.
1- مقدمه
باتوجه به حجم سرمایه درگردش از طریق بازارهای بورس سراسر جهان، پیشبینی قیمت سهام بورس موضوعی بوده است که هم تحلیلگران و هم محققان از مدتها قبل به آن علاقه داشتند [1]. از آنجا که طیف گستردهای از عوامل مؤثر بر شاخص بورس اوراق بهادار در دسترس هستند و این عوامل
دارای ویژگیهای پویایی، پیچیدگی، غیرخطی و ناپارامتریک بودن میباشند، یافتن رابطه
نویسنده عهدهدار مکاتبات : مجید عبدالرزاقنژاد Abdolrazzagh@buqaen.ac.ir |
ورود تکنیکهای هوش مصنوعی و یادگیری ماشین به منظور شناسایی رابطه بین متغیرهای اقتصادی2 بر قیمت سهام امری است که در سالهای اخیر در بازارهای سهام ایران [4-8] و سراسر دنیا [2, 9] صورت پذیرفته است. از مهمترین و کارآمدترین این تکنیکها میتوان به شبکههای عصبی3 [4, 5, 9-18]، یادگیری عمیق4 [19-21]، ماشین بردار پشتیبان5 [22-24]، درخت تصمیم6 [25-27]، جنگل تصادفی7 [28-30]، k نزدیکترین همسایه8 [24, 31]، رگرسیون9 [32, 33]، شبکه بیزین10 [34-36] و روشهای مبتنی بر استنتاج فازی11 [37-41] نام برد. چالشهای روشهای پیشبینی قیمت سهام اشاره شده در فوق که در مجلات معتبر داخلی و خارجی به چاپ رسیدهاند در بخش بعد مورد بررسی قرار خواهند گرفت. اما بطور وضوح مشاهده میشود که اولا توانایی تفسیرپذیری الگوهای بدست آمده به منظور پیشبینی قیمت سهام برای تحلیلگران بازار سرمایه بسیار حائز اهمیت است، ثانیا چالشهای روشهای موجود باعث شده ترکیبهای دوگانه12 آنها به منظور افزایش توانایی شناسایی ارتباط پیچیده بین متغیرهای تاثیرگذار اقتصادی بر قیمت سهام در دستور کار تحلیلگران داده قرار گیرد.
در این پژوهش نیز برای اولین بار یک مدل استنتاج فازی ممدانی (FIS) جهت شناسایی ارتباط 10 متغیر اقتصادی کمترین قیمت سهام(LowP)، بالاترین قیمت سهام(HighP)، قیمت اولیه سهام(FirstP)، حجم معاملات(VolT)،ارزش معاملات(VlaueT)، شاخص بازار اول تالار بورس(FIndex)، قيمت شاخص کل بازار (PIndex)، نرخ ارز دلار (USD)، قیمت جهانی هر اونس طلا (GoldP)، قیمت جهانی نفت(برنت شمال) (OilP) بر قیمت سهام بازار بورس اوراق بهادار تهران طراحی شود. مجموعه قوانین فازی مدل استنتاج فازی ممدانی توسط الگوریتم بهینهسازی ازدحام ذرات13 (PSO) جستجو و استخراج میشود. همچنین یک شبکه عصبی عمیق بعنوان رویکرد دوم، شامل 5 لایه پنهان14 و 37 نرون به منظور شناسایی ویژگیهای عمیق15 و پنهان 10 متغیر اقتصادی یادشده بر قیمت سهام طراحی و اجرا میشود. دو مدل ترکیب دوگانه طراحی شده و یادگیری عمیق برای پیشبینی قیمت سهام نه شرکت فعال در بورس اوراق بهادار تهران در دو بازه زمانی 1389 تا پایان 1394 برای شرکتهای نفت پارس، غدیر و موتوژن و 1394 تا پایان 1398 برای شرکتهای مس ایران، ایران خودرو، پالایشگاه اصفهان، پتروشیمی خلیج فارس، لوتوس و بانک تجارت تست و نتایج بدست آمده با یکدیگر مقایسه میگردند.
در ادامه مقاله و در بخش دوم نحوه پژوهشهای پیشین تشریح و چالشهای آنها مورد بررسی قرار میگیرند. در بخش سوم جزئیات دو مدل پیشنهادی ارائه شده است. در بخش چهارم نیز مدلهای پیشنهادی، ماشین بردار پشتیبان و نیز یک شبکه عصبی پرسپترون پیادهسازی شده است و سپس نتایج بدست با یکدیگر مقایسه میشوند. درنهایت بخش آخر به نتیجهگیری و توصیف مسیر آتی تحقیق میپردازد.
2- پژوهشهای پیشین
در این بخش به بررسی و تحلیل معتبرترین پژوهشهای انجام شده به منظور شناسایی قیمت سهام براساس 9 رویکرد شبکههای عصبی، یادگیری عمیق، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، k نزدیکترین همسایه، رگرسیون، بیزین و استنتاج فازی پرداخته میشود. شایان ذکر است که اگرچه یادگیری عمیق زیرمجموعهی از شبکههای عصبی محسوب میشود، اما به دلیل استفاده جدید از یادگیری عمیق در پیشبینی قیمت سهام (در منابع معتبر داخلی یافت نشد ولی به تعداد بسیار محدود طی دو سال اخیر در منابع معتبر خارجی یافت شد [19-21]) و نیز باتوجه به کثرت پژوهشهای انجام شده داخلی [4-6, 8, 18] و خارجی [9-17] براساس شبکههای عصبی و تنوع رویکردهای ترکیبی آنها، این دو مدل بصورت مستقل در این بخش طبقهبندی شدهاند.
با هدف پیشبینی قیمت نفت وست تگزاس اینترمدیت16 ترکیب دوگانه شبکه عصبی و الگوریتم ژنتیک17 [4] ارائه گردید. در این ترکیب دوگانه، الگوریتم ژنتیک وظیفه یافتن ساختار بهینه اتصالات نرونها در لایههای مختلف به یکدیگر و نیز تعیین مقادیر اولیه مناسب برای وزن و بایاس هر نرون را برعهده داشت. ترکیب دوگانه شبکه عصبی فازی و الگوریتم ژنتیک [7, 10, 12]، ترکیب دوگانه شبکه عصبی بازگشتی18 و الگوریتم کلونی زنبور عسل19 [8]، ترکیب دوگانه شبکه عصبی فازی و الگوریتم بهینهسازی ازدحام ذرات [13, 14]، ترکیب دوگانه شبکه عصبی و الگوریتم جستجوی فاخته20 [16] و ترکیب دوگانه شبکه عصبی و الگوریتم کرم شب تاب21 [18] با هدف بهینهسازی عملکرد شبکه عصبی در پیشبینی قیمت سهام ارائه شدهاند. اگرچه درطراحی این مدلهای دوگانه متغیرهای اقتصادی متفاوت برای پیشبینی قیمت سهام در بازارهای مختلفی درنظر گرفته شدند ولی نکته مشترک این پژوهشها بر حساسیت شبکههای عصبی به پارامترهای ساختاری و نیز ضعف الگوریتمهای یادگیری کلاسیک آن تاکید دارند. این چالش مهم را میتوان در رویکرد اخذ شده توسط [17] که با در نظر گرفتن 3 معماری مختلف برای شبکه عصبی به پیشبینی قیمت سهام وارسا22 پرداخته، نیز مشاهده نمود.
در [19] یک مدل شبکه عصبی بازگشتی تحت عنوان شبکه حافظه طولانی کوتاه-مدت23 (LSTM) با 25 نرون در تک لایه پنهان آن و یک شبکه عصبی عمیق با 3 لایه پنهان به منظور پیشبینی سریهای زمانی مالی در بازارهای مالی طراحی و نتایج بدست آمده از آنها را با روشهای جنگل تصادفی و رگرسیون مقایسه شد. استفاده تجمیعی از ساختار نرونهای کانولوشن و بازگشتی24 در طراحی شبکه عصبی چند فیلتری عمیق25 (MFNN) [20] دومین تلاش در استفاده از یادگیری عمیق در شناسایی قیمت سهام است که بر روی شش متغیر تاثیر گذار بر شاخص بازار سهام چین انجام گرفت و نتایجی بهتر از LSTM، شبکه عصبی کانولوشن و بازگشتی داشته است. استفاده از یک نسخه ترکیبی جدید از الگوریتم بهینهسازی پروانه26 (Rider-MBO) به عنوان الگوریتم یادگیری شبکه عصبی کانولوشن عمیق، جدیدترین روش پیشبینی قیمت سهام میباشد که از پنج متغیر اقتصادی در طراحی این یادگیری عمیق بهبود یافته استفاده شده است [21]. به اعتراف کلیه محقیق این حوزه، الگوهای بدست آمده توسط نسخههای مختلف شبکههای عصبی و یادگیری عمیق مانند یک جعبه سیاه عمل کرده و امکان تفسیری این الگوها وجود ندارد.
ماشین بردار پشتیبان (SVM) بعنوان یکی از معروفترین روشهای داده کاوی نیز استفاده قابل توجهیی در این حوزه تحقیقاتی دارد، اگرچه با چالش پیچیدگی بالای زمانی در فاز یادگیری خود و شناسایی تابع کرنل مناسب برروی دادهها باتوزیع چندکلاسه غیرخطی روبرو بوده است. لذا تلاش شده بصورت ترکیب دوگانه SVM برای رفع چالشهای یادشده استفاده شود. یک نسخه دوگانه از SVM برروی 12 متغیر اقتصادی بازار سهام چین با استفاده از میانگین حرکت رگرسیون خودکار27 (ARMA) و کمترین مربعات ماشین بردار پشتیبان28 (LS-SVM) اخیرا طراحی شده است [22]. در این پژوهش با بهرهگیری از تئوری مجموعه راف29 تعداد متغیرهای اقتصادی اولیه مفروض به منظور رفع چالشهای SVM کاهش یافت. رویکرد کاهش تعداد متغیرهای اقتصادی اولیه در [23] براساس یک نسخه بهبود یافته الگوریتم جستجوی مستقیم ترکیبی30 (F-SSFS) برای کاهش 29 متغیر اقتصادی بورس نزدک31 نیز انجام گرفت. همچنین محققین در [24]، ابتدا با استفاده از معیار بهره اطلاعات32 اقدام به وزندهی متغیرهای اقتصادی اولیه بازار سهام چین (بازارهای شانگهای و شانژین) کردند. انتخاب متغیرهای اقتصادی اثرگذار جهت استفاده در SVM از بین 9 متغیر اقتصادی وزندار شده دادههای تاریخی توسط الگوریتم k نزدیکترین همسایه صورت پذیرفت. عددی شدن ضرایب ابرصفحات و انتقال ابعاد فضای اولیه به ابعاد بالاتر در استفاده از تابع کرنل SVM غیرخطی باعث میشود تفسیر پذیری الگوهای شناسایی شده در پیشبینی قیمت سهام توسط نسخههای مختلف ماشین بردار پشتیبان را بسیار دشوار و حتی ناممکن سازند.
استفاده از درخت تصمیم بعنوان ابزار پیشبینی قیمت سهام اگرچه با حداقل پارامترهای الگوریتمیک را داشته و توانایی تفسیرپذیری الگوهای بدست آمده توسط آن بالاست ولی بسیار حساس به تعداد ویژگیها و مقادیر نویز میباشد. لذا از تئوری مجموعه راف به منظور کاهش تعداد 21 متغیر اقتصادی تاثرگذار بر شاخص سهام بمبئی استفاده و پیشبینی قیمت سهام در این بازار بورس توسط الگوریتم C4.5 درخت تصمیم صورت گرفت [25]. بهره گیری از معیار بهره اطلاعات به منظور انتخاب متغیرهای اقتصادی بازار سهام شانگهایی و پیشبینی قیمتها به کمک درختهای تصمیم فازی در [26] و پیشبینی تنها افزایش یا کاهش قیمت سهام 10 شرکت توسط درختان تصمیم گرادیان تقویتی33 در [27] انجام شدند. جنگل تصادفی [28] نیز به منظور شناسایی میزان تقاضا در خرید یا فروش 2 شرکت از بورس نزدک براساس درختهای چندگانه باینری روی شش متغیر اقتصادی طراحی شد. همچنین مدل ترکیبی جنگل تصادفی و حداقل مربعات تقویتی34 برای پیشبینی قیمت سهام در بورس بمبئی براساس 3 متغیر اقتصادی در [29] مورد استفاده قرار گرفت. در [30] نیز براساس 6 متغیر اقتصادی به منظور پیشبینی روند قیمت سهام در بورس اوراق بهادار تهران از جنگ تصادفی بهره گرفته شد. درنظر گرفتن تعداد محدود متغیر اقتصادی و طراحی چندگانه درختان در این سه پژوهش را میتوان در راستای رفع چالشهای یاد شده برای درخت تصمیم ارزیابی نمود.
به منظور پیشبینی قیمت سهام شش شرکت فعال در بورس اردن براساس سه متغیر اقتصادی از الگوریتم k نزدیکترین همسایه استفاده شد[31]. این الگوریتم اگرچه با چالشهای SVM، درخت تصمیم و جنگل تصادفی روبرو نیست ولی تعیین بهینه مقدار k و حساسیت این الگوریتم به این مقدار چالش جدی آن میباشد. دو مدل خود رگرسیونی با وقفه توزیعی [32] ترکیب ادغام رگرسیون معمولی و رگرسیون فازی به همراه بهینه سازی و نافازی سازی35 پارامترها با الگوریتم ژنتیک [33] را میتوان بعنون پژوهشهای صورت گرفته به منظور پیشبینی قیمت سهام بورس تهران در گروه صنایع کانی غیرفلزی براساس 10 متغیر اقتصادی نامبرد. مدلهای مبتنی بر رگرسیون نسبت به مقادیر نویز (تغییرات ناگهانی و قابل توجه متغیرهای اقتصادی) و تعداد متغیرهای اقتصادی بسیار حساس هستند. لذا اگرچه انتخاب 10 متغیر اقتصادی چالش جدی برای مدلهای طراحی شده ایجاد نخواهد کرد ولی وجود مقادیر نویز در دادههای آموزش قطعا چالش قابل توجهی برای آنها ایجاد مینماید.
مدل گرافی-احتمالی شبکه بیزین [34] به منظور پیشبینی قیمت سهام دو شرکت نیکی و تویوتا موتور براساس تغییرات قیمت در دورههای 2، 5، 7، 9 و 10 روزه طراحی شد. برای رفع چالش یادگیری شبکه بیزین در این پژوهش، ابتدا براساس قیمت روزانه سهام شبکه تعیین میشود و سپس به منظور پیشبینی قیمت در دورههای زمانی تعیین شده به کار گرفته شده که خود باعث تشدید پیچیدگی زمان محاسباتی مدل طراحی شده میشود. ترکیب دوگانه روش تنظیم بیزین36 و شبکه عصبی پس انتشار37 [35] و گراف عامل بیزین پویا38 بعنوان یک مدل از شبکه بیزین [36] برای پیشبینی قیمت سهام شانگهای براساس 9 متغیر اقتصادی طراحی و توسعه یافت.
باتوجه به ماهیت عدم قطعیت ارتباطات بین متغیرهای اقتصادی بر تغییرات قیمت سهام، استفاده از منطق فازی در این حوزه تحقیقاتی و در قالبهای مجموعه قوانین فازی39، سیستمهای استنتاج فازی تطبیقی40 و سیستم عصبی-فازی خودسازگار41 از جایگاه ویژهیی برخوردار است. یک سیستم استنتاج فازی تطبیقی براساس پنج متغیر اقتصادی به منظور پیشبینی قیمت سهام در هفت بازار سهام از جمله بورسهای داوجونز، نزدک، انگلستان، آلمان و استرالیا طراحی شد[37]. در این سیستم، مقادیر احتمال ورودی42 دادههای آموزشی ورودی جدید به سیستم توسط زنجیره مخفی مارکوف43 محاسبه و قوانین فازی جدید باتوجه به این مقادیر تولید میشوند. یک سیستم استنتاج فازی تاکاگی-سوگنو-کنگ44 (TSK) براساس هشت متغیر اقتصادی تاثیرگذار بر بازار سهام تایوان به منظور پیشبینی قیمت سهام طراحی شد[38]. در این پژوهش از خوشهبندی k-means و الگوریتم انجماد تدریجی45 به منظور تولید و آموزش مجموعه قوانین فازی استفاده شده است. همچنین یک سیستم استنتاج فازی سه گانه TSK برای پیشبینی میزان خرید، نگهداری و فروش روزانه سهام در بازار نزدک براساس 4 متغیر اقتصادی ارائه گردید [39]. در این پژوهش هر سیستم استنتاج شامل 3 قانون فازی بود که مقادیر تابع عضویت تخصیص یافته به هر متغیر اقتصادی براساس میانگین و انحراف معیار لگاریتم تغییرات قیمتها محاسبه شده است. لذا با توجه به عدم تضمین پیروی تغییرات قیمتها از توزیع نرمال در بازههای زمانی مختلف، این نوع تولید قوانین فازی با چالش جدی روبرو میشود. لزوم تعیین بهینه مجموعه قوانین فازی مورد استفاده در سیستمهای استنتاج فازی باعث شده است که در فرایند آموزش سیستم استنتاج فازی-عصبی خودسازگار از الگوریتمهایی همچون تبدیل موجک46 [40]، رگرسیون فازی [41]، الگوریتم کرم شب تاب [42]، الگوریتم جستجوی هارمونی47 [43]، الگوریتم ژنتیک [44] و الگوریتم بهینهسازی ازدحام ذرات [45] به منظور پیشبینی قیمت سهام و بازارهای مالی کمک گرفته شود.
3- مدلهای پیشنهادی
در این تحقیق به منظور پیشبینی قیمت سهام با استفاده از روشهاي هوشمند، به تشریح دو مدل ترکیب دوگانه سیستم استنتاج فازی ممدانی و الگوریتم بهینهسازی ذرات (MFIS-PSO) و مدل یادگیری عمیق براساس 10 متغیر اقتصادی تاثیرگذار بر بازار سهام ایران میپردازیم. در ادامه این بخش، نخست در نحوه انتخاب و نرمالسازی دادههای ورودی مطرح میشود. در 3-2 جزئیات مدل ترکیبی و در 3-3 جزئیات مدل یادگیری عمیق تشریح خواهند شد.
3-1- انتخاب و نرمال سازی داده های ورودی
دادههاي ورودي دو مدل طراحی شده شامل متغیرهای قیمت سهام طی دو دورهي زمانی 1389 تا پایان 1394 برای سه شرکت نفت پارس، موتوژن و غدیر و 1394 تا پایان 1398 برای شش شرکت مس ایران، ایران خودرو، پالایشگاه اصفهان، پتروشیمی خلیج فارس، لوتوس و بانک تجارت به صورت روزانه است که از سایت مدیریت اطلاعات انرژی ایالات متحده امریکا48 به آدرس eia.gov برای قیمت نفت برنت و وست تگزاس اینترمدیت، سایت بانک مرکزی جمهوری اسلامی ایران به آدرس cbi.ir برای نرخ ارز دلار و سایر ارزها، وب سایت GOLDHUB.org برای قیمت جهانی هر انس طلا و سایر فلزات گرانبها، سایت مدیریت فناوری بورس تهران به آدرس fipiran.com برای شاخصهای مهم بازار سرمایه ایران همچون شاخص بازار اول تالار بورس و قیمت شاخص کل بازار و سایت TSETMC.com بعنوان دامنه دیگر شرکت مدیریت فناوری بورس تهران برای دادههای مربوط به قیمتهای سهام شرکتها استخراج و مورد استفاده قرار گرفته شدهاند. پس از بررسیهاي فراوان براي شناسایی متغیرها، در نهایت دادههاي 10 متغیر تأثیرگذار بر قیمت سهام با توجه به محدودیتهاي موجود، انتخاب و در دوگروه کلی به شرح زیر دسته بندي شدهاند:
گروه اول: متغیرهاي فنی شامل کمترین قیمت سهام(LowP)، بالاترین قیمت سهام(HighP)، قیمت اولیه سهام(FirstP)، حجم معاملات(VolT)، ارزش معاملات(VlaueT)، شاخص بازار اول تالار بورس(FIndex)، قيمت شاخص کل بازار (PIndex).
گروه دوم: متغیرهاي اقتصادي شامل نرخ ارز دلار (USD)، قیمت جهانی هر اونس طلا (GoldP)، قیمت جهانی نفت(برنت شمال) (OilP).
در این مرحله دادهها در بازه [0,1] با روش min-max [46] نرمال میشوند تا در محدوده یکسانی قرار بگیرند. اجرای نرمالسازی باعث میشود تا تاثیر متغیرها با مقادیر بزرگتر بر متغیرهایی با مقادیر کوچکتر خنثی شود. نرمال سازی min-max یک تبدیل خطی را بر روی دادهها اجرا میکند و یک مقدار از مجموعۀ A مانند به مقداری مانند در محدودۀ با فرمول زیر نگاشت میشود:
(1) |
|
(2) |
|
(3) |
|
(4) |
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
(9) |
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
(10) |
|
(11) |
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
(12) |
|
جمعیت اولیه | تعداد تکرار | C1 | C2 | W |
500 | 20 | 0.75 | 1.5 | 0.9 |
· اجرای یادگیری عمیق: شبکه پیشخور عمیق شکل 4 با حداکثر تکرار 100 ، روش گرادیان نزولی Adam، نرخ یادگیری 0.001، تابع فعالسازی سیگموئیدی و استفاده از کتابخانه Keras پیادهسازی و اجرا شده است. کیفیت پیشبینی قیمت سهام شبکه عمیق یادگیری شده توسط رابطه 4 برای دادههای آموزش و آزمون محاسبه میشود.
· اجرای شبکه عصبی مصنوعی [17] : این شبکه از نوع پیشخور با یک لایه ورودی شامل 10 نرون، یک لایه پنهان شامل 8 نرون و یک لایه خروجی شامل یک نرون است. برای آموزش آن نیز از روش پس انتشار خطا [50] استفاده شده است و تابع قعالسازی نرونها نیز تابع حلقوی [49] تعیین شده است. شرط توقف برابری خطای آموزش و اعتبارسنجی است.
· اجرای ماشین بردار پشتیبان [23]: باتوجه به ماهیت غیرخطی دادههای مالی از نسخه غیرخطی ماشین بردار پشتیبان استفاده شده و به منظور تنظیم کرنل مناسب از تابع هسته گاوسی برای تولید بردارهای پشتیبان مناسب بهره گرفته شده است.
4-1- تحلیل نتایج دادههای گروه اول
دادههای گروه اول شامل اطلاعات سه شرکت نفت پارس، موتوژن و غدیر طی دوره زمانی 1389 تا پایان 1394 است. دو مدل پیشنهادی و شبکه عصبی [17]، هرکدام 20 بار اجرا شده و نتایج بدست آمده برای دادههای آموزش و آزمون آنها در جداول 3، 4 و 5 نمایش داده شده است. از مقایسه کلی نتایج بدست آمده در این جداول مشاهده میشود که اگرچه مدل ترکیبی فازی-ازدحام ذرات موفق شده به میزان 60% نتایج بهتری از شبکه عصبی داشته باشد ولی در مقایسه با یادگیری عمیق عملکرد ضعیفتری داشته و مدل یادگیری عمیق به میزان 79% موفقتر از مدل ترکیبی فازی-ازدحام ذرات و 92% موفقتر از شبکه عصبی در پیشبینی قیمت سهام عمل کرده است. همچنین از مقایسه نتایج جدول 3 مشاهده میشود که مدل ترکیبی فازی-ازدحام ذرات در پیشبینی قیمت سهام موتوژن به میزان 6% بهتر از پیشبینی قیمت سهام غدیر و 17% بهتر از نفت پارس عمل کرده است. نتایج جدول 4 نشان میدهند که مدل یادگیری عمیق در پیشبینی قیمت سهام غدیر بهترین عملکرد را داشته بطوریکه این نتایج 6% دقیقتر از پیشبینی قیمت سهام نفت توسط این مدل و 68% نتایج دقیقتری در پیشبینی قیمت سهام موتوژن داشته است. تحلیل آماری نتایج مدل شبکه عصبی در جدول 5 نشان از موفقیت این مدل در پیشبینی قیمت سهام نفت پارس را دارد. بگونه ای که خطای پیشبینی قیمت سهام شبکه عصبی برای نفت پارس 0.3% بهتر از خطای پیشبینی سهام موتوژن و 32% بهتر از خطای پیشبینی غدیر بوده است.
نکته قابل توجه دیگر در تحلیل آماری نتایج جداول 3،4 و 5، شکاف عملکردی مدلهای یادگیری عمیق و شبکه عصبی برروی سه شرکت نفت پارس، غدیر و موتوژن میباشد در حالیکه مدل ترکیبی فازی-ازدحام ذرات دارای عملکردی تقریبا مشابه برای این سه شرکت بوده است.
جدول 3: جزئیات نتایج 20 اجرای مدل ترکیبی فازی-ازدحام ذارت
داده | نفت پارس | موتوزن | غدیر | |||
خطا | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون |
1 | 0.0082 | 0.0084 | 0.0067 | 0.0069 | 0.0063 | 0.0072 |
2 | 0.0071 | 0.0079 | 0.0062 | 0.0073 | 0.0061 | 0.0072 |
3 | 0.0086 | 0.0087 | 0.0066 | 0.0070 | 0.0065 | 0.0072 |
4 | 0.0088 | 0.0089 | 0.0068 | 0.0069 | 0.0067 | 0.0076 |
5 | 0.0077 | 0.0078 | 0.0071 | 0.0074 | 0.0063 | 0.0076 |
6 | 0.0074 | 0.0081 | 0.0066 | 0.0071 | 0.0068 | 0.0076 |
7 | 0.0074 | 0.0081 | 0.0066 | 0.0072 | 0.0064 | 0.0072 |
8 | 0.0077 | 0.0084 | 0.0061 | 0.0072 | 0.0069 | 0.0074 |
9 | 0.0082 | 0.0085 | 0.0061 | 0.0067 | 0.0069 | 0.0073 |
10 | 0.0073 | 0.0086 | 0.0062 | 0.0069 | 0.0070 | 0.0076 |
11 | 0.0078 | 0.0080 | 0.0059 | 0.0062 | 0.0067 | 0.0074 |
12 | 0.0071 | 0.0085 | 0.0062 | 0.0063 | 0.0062 | 0.0077 |
13 | 0.0075 | 0.0084 | 0.0061 | 0.0069 | 0.0064 | 0.0073 |
14 | 0.0071 | 0.0076 | 0.0062 | 0.0072 | 0.0072 | 0.0073 |
15 | 0.0072 | 0.0075 | 0.0071 | 0.0074 | 0.0063 | 0.0072 |
16 | 0.0070 | 0.0073 | 0.0064 | 0.0065 | 0.0071 | 0.0072 |
17 | 0.0083 | 0.0089 | 0.0062 | 0.0069 | 0.0068 | 0.0076 |
18 | 0.0076 | 0.0079 | 0.0062 | 0.0068 | 0.0073 | 0.0075 |
19 | 0.0088 | 0.0089 | 0.0060 | 0.0062 | 0.0062 | 0.0075 |
20 | 0.0071 | 0.0077 | 0.0060 | 0.0064 | 0.0066 | 0.0072 |
بهترین | 0.0070 | 0.0073 | 0.0059 | 0.0062 | 0.0061 | 0.0072 |
میانگین | 0.0077 | 0.0082 | 0.0064 | 0.0069 | 0.0066 | 0.0074 |
جدول 4: جزئیات نتایج 20 اجرای مدل یادگیری عمیق
داده | نفت پارس | موتوزن | غدیر | |||
خطا | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون |
1 | 0.0004 | 0.0018 | 0.0026 | 0.0014 | 0.0003 | 0.0005 |
2 | 0.0006 | 0.001 | 0.0025 | 0.0034 | 0.0003 | 0.0004 |
3 | 0.0005 | 0.0012 | 0.0021 | 0.0037 | 0.0005 | 0.0013 |
4 | 0.0005 | 0.0011 | 0.0022 | 0.0027 | 0.0005 | 0.0009 |
5 | 0.0005 | 0.0014 | 0.0016 | 0.0164 | 0.0005 | 0.0008 |
6 | 0.0005 | 0.0012 | 0.0023 | 0.0008 | 0.0006 | 0.0006 |
7 | 0.0005 | 0.0005 | 0.0025 | 0.0024 | 0.0004 | 0.0007 |
8 | 0.0008 | 0.0018 | 0.0022 | 0.0021 | 0.0003 | 0.0006 |
9 | 0.0005 | 0.001 | 0.0021 | 0.0018 | 0.0003 | 0.001 |
10 | 0.0004 | 0.0013 | 0.0023 | 0.0021 | 0.0075 | 0.007 |
11 | 0.0005 | 0.0023 | 0.0022 | 0.0024 | 0.0004 | 0.0005 |
12 | 0.0007 | 0.001 | 0.0022 | 0.0034 | 0.0003 | 0.0005 |
13 | 0.0007 | 0.0013 | 0.0016 | 0.0083 | 0.0004 | 0.0006 |
14 | 0.0004 | 0.0004 | 0.0023 | 0.0012 | 0.0004 | 0.0008 |
15 | 0.0007 | 0.0013 | 0.0023 | 0.0013 | 0.0004 | 0.0004 |
16 | 0.0004 | 0.0012 | 0.0022 | 0.0027 | 0.0005 | 0.0004 |
17 | 0.0005 | 0.0011 | 0.0021 | 0.0022 | 0.0003 | 0.0013 |
18 | 0.0005 | 0.0018 | 0.0021 | 0.0023 | 0.0003 | 0.0004 |
19 | 0.0009 | 0.0014 | 0.0022 | 0.0018 | 0.0003 | 0.0006 |
20 | 0.0007 | 0.002 | 0.0023 | 0.0025 | 0.0004 | 0.001 |
بهترین | 0.0004 | 0.0004 | 0.0016 | 0.0008 | 0.0003 | 0.0004 |
میانگین | 0.0006 | 0.0013 | 0.0022 | 0.0032 | 0.0007 | 0.001 |
جدول 5: جزئیات نتایج 20 اجرای شبکه عصبی مصنوعی [17]
داده | نفت پارس | موتوزن | غدیر | |||
خطا | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون |
1 | 0.0154 | 0.0164 | 0.0151 | 0.0162 | 0.0211 | 0.0245 |
2 | 0.0151 | 0.0161 | 0.0149 | 0.0161 | 0.0200 | 0.0244 |
3 | 0.0149 | 0.0160 | 0.0152 | 0.0163 | 0.0215 | 0.0249 |
4 | 0.0150 | 0.0161 | 0.0148 | 0.0162 | 0.0206 | 0.0244 |
5 | 0.0149 | 0.0160 | 0.0152 | 0.0161 | 0.0232 | 0.0250 |
6 | 0.0146 | 0.0160 | 0.0148 | 0.0164 | 0.0234 | 0.0248 |
7 | 0.0147 | 0.0165 | 0.0150 | 0.0163 | 0.0215 | 0.0247 |
8 | 0.0146 | 0.0165 | 0.0151 | 0.0162 | 0.0204 | 0.0247 |
9 | 0.0147 | 0.0162 | 0.0152 | 0.0162 | 0.0209 | 0.0245 |
10 | 0.0147 | 0.0159 | 0.0148 | 0.0162 | 0.0214 | 0.0247 |
11 | 0.0149 | 0.0160 | 0.0154 | 0.0160 | 0.0221 | 0.0250 |
12 | 0.0145 | 0.0159 | 0.0152 | 0.0161 | 0.0209 | 0.0247 |
13 | 0.0154 | 0.0164 | 0.0150 | 0.0161 | 0.0221 | 0.0247 |
14 | 0.0154 | 0.0159 | 0.0150 | 0.0160 | 0.0225 | 0.0245 |
15 | 0.0150 | 0.0159 | 0.0150 | 0.0163 | 0.0208 | 0.0247 |
16 | 0.0150 | 0.0160 | 0.0149 | 0.0160 | 0.0204 | 0.0248 |
17 | 0.0148 | 0.0163 | 0.0151 | 0.0160 | 0.0210 | 0.0248 |
18 | 0.0154 | 0.0163 | 0.0151 | 0.0160 | 0.0211 | 0.0246 |
19 | 0.0149 | 0.0163 | 0.0153 | 0.0160 | 0.0215 | 0.0246 |
20 | 0.0146 | 0.0162 | 0.0147 | 0.0159 | 0.0218 | 0.0250 |
بهترین | 0.0145 | 0.0159 | 0.0147 | 0.0159 | 0.0200 | 0.0244 |
میانگین | 0.0149 | 0.0161 | 0.0150 | 0.0161 | 0.0214 | 0.0247 |
جدول 6: مقایسه بهترین نتایج بدست آمده برای دو مدل پیشنهادی و شبکه عصبی برای دادههای گروه اول
| نفت پارس | موتوژن | غدیر | |
مدل ترکیبی فازی-ازدحام ذرات | آموزش | 0.0070 | 0.0050 | 0.0061 |
آزمون | 0.0073 | 0.0062 | 0.0072 | |
کل | 0.0071 | 0.0054 | 0.0064 | |
مدل یادگیری عمیق | آموزش | 0.0004 | 0.0016 | 0.0003 |
آزمون | 0.0004 | 0.0083 | 0.0004 | |
کل | 0.0004 | 0.0036 | 0.0003 | |
شبکه عصبی | آموزش | 0.0145 | 0.0147 | 0.0200 |
آزمون | 0.0159 | 0.0159 | 0.0244 | |
کل | 0.0149 | 0.0150 | 0.0213 |
این واقعیت در مقایسه تفاوت عملکرد پیشبینی مدلهای یادگیری عمیق و شبکه عصبی برروی سه شرکت که بدان اشاره شد کاملا مشهود بوده و واریانسهای نتایج بدست آمده برای این سه مدل نیز تایید کننده این واقعیت میباشند. مدل ترکیبی فازی-ازدحام ذرات با واریانس 5.69031E-07، مدل یادگیری عمیق با واریانس 3.58E-06 و مدل شبکه عصبی با واریانس 1.39E-05 به ترتیب کمترین انحراف نتایج بدست آمده از شاخص متوسط خطای پیشبینی قیمت سهام برای سه شرکت را دارند.
در جدول 6 بهترین مقدار میانگین مجذور خطا(MSE) آموزش، آزمون و کل بدست آمده توسط دو مدل پیشنهادی و مدل شبکه عصبی برای هر یک از سه شرکت نفت پارس، موتوژن و غدیر آورده شده است. منظور از خطای کل، میانگین وزنی خطاهای آموزش و آزمون میباشد. بطور آشکار مشاهده میشود که مدل یادگیری عمیق نتایج بهتری در پیشبینی سهام شرکتهای یاد شده کسب کرده است. اگرچه شکاف عملکردی مدل ترکیبی فازی-ازدحام ذرات از مدل یادگیری عمیق به مراتب کمتر بوده است.
شکلهای 5 تا 7 قوانین فازی بدست آمده توسط الگوریتم PSO برای موتور استنتاج شکل 1 برروی سه شرکت مفروض را نمایش میدهند. در این شکلها هر ردیف یک قانون فازی را نشان میدهد که در آن L نشان دهنده متغیر فازی Low ، M نشان دهنده متغیر فازی Medium ، H نشان دهنده متغیر فازی High و N نشان دهنده Noune است به این معنی که متغیر مورد نظر در آن قانون فازی شرکت ندارد. هر ستون نیز متغیرهای ورودی و خروجی فازی و ستون آخر وزن قانون فازی در سیستم استنتاج فازی ممدانی مفروض را نشان میدهند. در تمامی این قوانین از عملگر AND به عنوان ترکیب کننده استفاده میشود. یکی از برتریهای مدل ترکیبی فازی-ازدحام ذرات، تفسیر راحت نتایج توسط کاربران است. این مهم توسط قوانین فازی بدست آمده محقق میگردد. اما در مورد مدل یادگیری عمیق و مدل شبکه عصبی این گونه تفسیری در دسترس نیست.
در شکلهای 8 الی 10 نمودار همگرایی اجرای PSO براساس بهترین و متوسط کیفیت تابع برازش بدست آمده در هر تکرار برای دادههای هر یک از شرکتها نمایش داده شده است. همچنین در شکلهای 11 الی 12 نیز نمودار همگرایی الگوریتم آموزش مدل یادگیری عمیق براساس آموزش و عتبارسنجی و نیز در شکلهای 14 الی 16 نمودار همگرایی الگوریتم آموزش مدل شبکه عصبی مصنوعی براساس مقادیر آموزش52، آزمایش53 و اعتبارسنجی54 نمایش داده شده است. در این نمودارها محور افقی تعداد تکرار الگوریتم و محور عمودی مقدار میانگین مجذور خطا را نشان میدهند.
[1] Historical Data
[2] Economic Factors
[3] Neural Networks
[4] Deep Learning
[5] Support Vector Machine
[6] Decision Tree
[7] Random Forest
[8] K-Nearest Neighbor
[9] Regression
[10] Bayesian Network
[11] Fuzzy Inference-base Methods
[12] Hybrid
[13] Particle Swarm Optimization Algorithm
[14] Hidden Layer
[15] Deep Feature
[16] West Texas Intermediate Oil
[17] Genetic Algorithm
[18] Recurrent Neural Network
[19] Bee Colony Optimization
[20] Cuckoo Search Algorithm
[21] Firefly Algorithm35
[22] Warsaw
[23] Long Short-Term Memory Networks
[24] Convolutional and Recurrent Neurons
[25] Multi-Filters Neural Network
[26] Rider-based Monarch Butterfly Optimization
[27] Auto-Regressive Moving Average
[28] Least Squares Support Vector Machine
[29] Rough Set Theory
[30] F-Score and Supported Sequential Forward Search
[31] NASDAQ Stock
[32] Information Gain
[33] Gradient Boosted Decision Tree
[34] Least Square Boost
[35] Defuzzification
[36] Bayesian Regularization Method
[37] Back Propagation Neural Network
[38] Dynamical Bayesian Factor Graph
[39] Fuzzy Rules Set
[40] Adaptive Fuzzy Inference System
[41] Adaptive Neuro Fuzzy Inference System
[42] Log-Likelihood Value
[43] Hidden Markov Model
[44] Takagi-Sugeno-Kang
[45] Simulated Annealing Algorithm
[46] Wavelet Transform
[47] Harmony Search Algorithm
[48] U.S Energy Information Administration
[49] Linguistic Variable
[50] Mean Square Error
[51] Feed-Forward Neural Network
[52] Train
[53] Test
[54] Validation
جدول 8: جزئیات نتایج 20 اجرا مدل ترکیبی فازی-ازدحام ذرات برای دادههای گروه دوم
داده | مس ایران | ایران خودرو | پالایشگاه اصفهان | پتروشیمی خلیج فارس | لوتوس | بانک تجارت | ||||||||||||
خطا | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | ||||||
1 | 0.00012 | 0.00016 | 0.00008 | 0.00005 | 0.00007 | 0.00006 | 0.00014 | 0.00011 | 0.00028 | 0.00032 | 0.00008 | 0.00007 | ||||||
2 | 0.00014 | 0.00006 | 0.00004 | 0.00003 | 0.00004 | 0.00003 | 0.00025 | 0.00016 | 0.00044 | 0.00057 | 0.00004 | 0.00003 | ||||||
3 | 0.00011 | 0.00008 | 0.00011 | 0.00012 | 0.00006 | 0.00005 | 0.00017 | 0.00020 | 0.00026 | 0.00027 | 0.00010 | 0.00010 | ||||||
4 | 0.00009 | 0.00010 | 0.00008 | 0.00008 | 0.00016 | 0.00013 | 0.00022 | 0.00020 | 0.00016 | 0.00022 | 0.00030 | 0.00029 | ||||||
5 | 0.00016 | 0.00022 | 0.00010 | 0.00008 | 0.00026 | 0.00024 | 0.00012 | 0.00014 | 0.00011 | 0.00012 | 0.00012 | 0.00012 | ||||||
6 | 0.00006 | 0.00009 | 0.00012 | 0.00009 | 0.00006 | 0.00006 | 0.00013 | 0.00015 | 0.00013 | 0.00016 | 0.00015 | 0.00011 | ||||||
7 | 0.00007 | 0.00005 | 0.00012 | 0.00011 | 0.00010 | 0.00014 | 0.00025 | 0.00038 | 0.00016 | 0.00013 | 0.00009 | 0.00013 | ||||||
8 | 0.00008 | 0.00005 | 0.00007 | 0.00016 | 0.00009 | 0.00005 | 0.00016 | 0.00016 | 0.00045 | 0.00046 | 0.00009 | 0.00004 | ||||||
9 | 0.00010 | 0.00005 | 0.00006 | 0.00013 | 0.00008 | 0.00004 | 0.00046 | 0.00038 | 0.00012 | 0.00004 | 0.00010 | 0.00009 | ||||||
10 | 0.00006 | 0.00003 | 0.00004 | 0.00004 | 0.00010 | 0.00012 | 0.00024 | 0.00020 | 0.00016 | 0.00018 | 0.00011 | 0.00014 | ||||||
11 | 0.00010 | 0.00006 | 0.00057 | 0.00053 | 0.00045 | 0.00020 | 0.00026 | 0.00021 | 0.00026 | 0.00029 | 0.00023 | 0.00021 | ||||||
12 | 0.00018 | 0.00012 | 0.00018 | 0.00019 | 0.00006 | 0.00006 | 0.00030 | 0.00036 | 0.00016 | 0.00008 | 0.00005 | 0.00006 | ||||||
13 | 0.00007 | 0.00006 | 0.00013 | 0.00012 | 0.00006 | 0.00004 | 0.00013 | 0.00013 | 0.00015 | 0.00009 | 0.00006 | 0.00005 | ||||||
14 | 0.00005 | 0.00004 | 0.00007 | 0.00010 | 0.00017 | 0.00011 | 0.00015 | 0.00012 | 0.00031 | 0.00051 | 0.00081 | 0.00078 | ||||||
15 | 0.00021 | 0.00016 | 0.00006 | 0.00006 | 0.00030 | 0.00028 | 0.00021 | 0.00018 | 0.00021 | 0.00028 | 0.00005 | 0.00003 | ||||||
16 | 0.00008 | 0.00006 | 0.00013 | 0.00009 | 0.00018 | 0.00017 | 0.00013 | 0.00009 | 0.00015 | 0.00012 | 0.00006 | 0.00007 | ||||||
17 | 0.00012 | 0.00009 | 0.00006 | 0.00006 | 0.00006 | 0.00003 | 0.00008 | 0.00003 | 0.00020 | 0.00017 | 0.00018 | 0.00028 | ||||||
18 | 0.00015 | 0.00008 | 0.00004 | 0.00003 | 0.00032 | 0.00024 | 0.00018 | 0.00017 | 0.00014 | 0.00024 | 0.00006 | 0.00006 | ||||||
19 | 0.00027 | 0.00008 | 0.00005 | 0.00004 | 0.00012 | 0.00013 | 0.00018 | 0.00011 | 0.00015 | 0.00058 | 0.00004 | 0.00007 | ||||||
20 | 0.00003 | 0.00003 | 0.00006 | 0.00006 | 0.00005 | 0.00006 | 0.00011 | 0.00014 | 0.00013 | 0.00012 | 0.00006 | 0.00007 | ||||||
بهترین | 0.00003 | 0.00003 | 0.00004 | 0.00003 | 0.00004 | 0.00003 | 0.00008 | 0.00003 | 0.00011 | 0.00004 | 0.00004 | 0.00003 | ||||||
میانگین | 0.000112 | 0.000083 | 0.000108 | 0.000108 | 0.000139 | 0.00011 | 0.000193 | 0.00018 | 0.000206 | 0.000247 | 0.00014 | 0.00014 |
جدول 9: جزئیات نتایج 20 اجرا مدل یادگیری عمیق برای دادههای گروه دوم
داده | مس ایران | ایران خودرو | پالایشگاه اصفهان | پتروشیمی خلیج فارس | لوتوس | بانک تجارت | ||||||||||||
خطا | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | ||||||
1 | 0.00010 | 0.00010 | 0.00002 | 0.00001 | 0.00002 | 0.00002 | 0.00014 | 0.00013 | 0.00041 | 0.00032 | 0.00003 | 0.00002 | ||||||
2 | 0.00009 | 0.00008 | 0.00002 | 0.00001 | 0.00002 | 0.00002 | 0.00013 | 0.00011 | 0.00041 | 0.00039 | 0.00004 | 0.00003 | ||||||
3 | 0.00006 | 0.00007 | 0.00002 | 0.00002 | 0.00002 | 0.00002 | 0.00013 | 0.00016 | 0.00041 | 0.00028 | 0.00004 | 0.00004 | ||||||
4 | 0.00009 | 0.00009 | 0.00002 | 0.00001 | 0.00002 | 0.00001 | 0.00010 | 0.00013 | 0.00041 | 0.00036 | 0.00003 | 0.00004 | ||||||
5 | 0.00009 | 0.00008 | 0.00002 | 0.00002 | 0.00002 | 0.00003 | 0.00014 | 0.00013 | 0.00041 | 0.00042 | 0.00003 | 0.00003 | ||||||
6 | 0.00007 | 0.00022 | 0.00002 | 0.00003 | 0.00002 | 0.00001 | 0.00014 | 0.00013 | 0.00041 | 0.00037 | 0.00003 | 0.00003 | ||||||
7 | 0.00010 | 0.00010 | 0.00002 | 0.00003 | 0.00002 | 0.00002 | 0.00014 | 0.00013 | 0.00041 | 0.00033 | 0.00002 | 0.00003 | ||||||
8 | 0.00010 | 0.00010 | 0.00002 | 0.00006 | 0.00002 | 0.00002 | 0.00017 | 0.00014 | 0.00044 | 0.00052 | 0.00003 | 0.00002 | ||||||
9 | 0.00009 | 0.00010 | 0.00002 | 0.00002 | 0.00002 | 0.00001 | 0.00015 | 0.00016 | 0.00041 | 0.00042 | 0.00003 | 0.00003 | ||||||
10 | 0.00010 | 0.00010 | 0.00002 | 0.00001 | 0.00002 | 0.00002 | 0.00014 | 0.00014 | 0.00040 | 0.00042 | 0.00003 | 0.00003 | ||||||
11 | 0.00010 | 0.00010 | 0.00002 | 0.00002 | 0.00002 | 0.00001 | 0.00014 | 0.00013 | 0.00040 | 0.00046 | 0.00003 | 0.00003 | ||||||
12 | 0.00010 | 0.00009 | 0.00002 | 0.00002 | 0.00002 | 0.00003 | 0.00015 | 0.00016 | 0.00041 | 0.00028 | 0.00003 | 0.00003 | ||||||
13 | 0.00008 | 0.00008 | 0.00002 | 0.00003 | 0.00002 | 0.00001 | 0.00014 | 0.00014 | 0.00041 | 0.00036 | 0.00003 | 0.00003 | ||||||
14 | 0.00010 | 0.00010 | 0.00002 | 0.00002 | 0.00002 | 0.00004 | 0.00013 | 0.00012 | 0.00040 | 0.00043 | 0.00004 | 0.00004 | ||||||
15 | 0.00010 | 0.00010 | 0.00002 | 0.00001 | 0.00002 | 0.00002 | 0.00014 | 0.00015 | 0.00040 | 0.00052 | 0.00004 | 0.00003 | ||||||
16 | 0.00010 | 0.00009 | 0.00002 | 0.00001 | 0.00002 | 0.00004 | 0.00013 | 0.00015 | 0.00040 | 0.00045 | 0.00004 | 0.00005 | ||||||
17 | 0.00010 | 0.00008 | 0.00002 | 0.00004 | 0.00002 | 0.00002 | 0.00014 | 0.00011 | 0.00040 | 0.00051 | 0.00004 | 0.00005 | ||||||
18 | 0.00010 | 0.00010 | 0.00002 | 0.00002 | 0.00002 | 0.00001 | 0.00014 | 0.00015 | 0.00044 | 0.00056 | 0.00004 | 0.00006 | ||||||
19 | 0.00010 | 0.00009 | 0.00002 | 0.00002 | 0.00002 | 0.00002 | 0.00041 | 0.00014 | 0.00041 | 0.00039 | 0.00004 | 0.00003 | ||||||
20 | 0.00010 | 0.00010 | 0.00002 | 0.00001 | 0.00002 | 0.00002 | 0.00013 | 0.00015 | 0.00042 | 0.00062 | 0.00004 | 0.00005 | ||||||
بهترین | 0.00006 | 0.00007 | 0.00002 | 0.00001 | 0.00002 | 0.00001 | 0.0001 | 0.00011 | 0.0004 | 0.00028 | 0.00002 | 0.00002 | ||||||
میانگین | 0.000093 | 0.000098 | 0.00002 | 0.00002 | 0.00002 | 0.00002 | 0.000151 | 0.00014 | 0.000410 | 0.000420 | 0.000034 | 0.000035 |
جدول 10: جزئیات نتایج 20 اجرا مدل شبکه عصبی برای دادههای گروه دوم
داده | مس ایران | ایران خودرو | پالایشگاه اصفهان | پتروشیمی خلیج فارس | لوتوس | بانک تجارت | ||||||
خطا | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون |
1 | 0.0106 | 0.0105 | 0.0068 | 0.0066 | 0.0143 | 0.0147 | 0.0069 | 0.0071 | 0.0110 | 0.0118 | 0.0093 | 0.0093 |
2 | 0.0098 | 0.0098 | 0.0066 | 0.0063 | 0.0137 | 0.0140 | 0.0067 | 0.0069 | 0.0102 | 0.0110 | 0.0091 | 0.0091 |
3 | 0.0096 | 0.0095 | 0.0093 | 0.0060 | 0.0125 | 0.0127 | 0.0062 | 0.0064 | 0.0099 | 0.0106 | 0.0087 | 0.0087 |
4 | 0.0089 | 0.0088 | 0.0061 | 0.0059 | 0.0120 | 0.0123 | 0.0058 | 0.0059 | 0.0092 | 0.0098 | 0.0080 | 0.0081 |
5 | 0.0097 | 0.0097 | 0.0057 | 0.0055 | 0.0110 | 0.0113 | 0.0054 | 0.0056 | 0.0091 | 0.0097 | 0.0075 | 0.0075 |
6 | 0.0090 | 0.0089 | 0.0051 | 0.0051 | 0.0104 | 0.0106 | 0.0050 | 0.0052 | 0.0082 | 0.0088 | 0.0073 | 0.0074 |
7 | 0.0088 | 0.0087 | 0.0050 | 0.0048 | 0.0098 | 0.0100 | 0.0049 | 0.0051 | 0.0078 | 0.0084 | 0.0071 | 0.0071 |
8 | 0.0081 | 0.0081 | 0.0048 | 0.0046 | 0.0092 | 0.0095 | 0.0046 | 0.0047 | 0.0072 | 0.0077 | 0.0069 | 0.0069 |
9 | 0.0100 | 0.0099 | 0.0047 | 0.0045 | 0.0086 | 0.0088 | 0.0044 | 0.0046 | 0.0065 | 0.0070 | 0.0065 | 0.0065 |
10 | 0.0092 | 0.0092 | 0.0046 | 0.0044 | 0.0079 | 0.0081 | 0.0042 | 0.0043 | 0.0063 | 0.0068 | 0.0060 | 0.0060 |
11 | 0.0091 | 0.0090 | 0.0042 | 0.0040 | 0.0077 | 0.0079 | 0.0041 | 0.0042 | 0.0060 | 0.0064 | 0.0059 | 0.0060 |
12 | 0.0084 | 0.0093 | 0.0040 | 0.0039 | 0.0071 | 0.0073 | 0.0038 | 0.0039 | 0.0056 | 0.0061 | 0.0057 | 0.0057 |
13 | 0.0092 | 0.0092 | 0.0037 | 0.0035 | 0.0067 | 0.0069 | 0.0037 | 0.0038 | 0.0051 | 0.0055 | 0.0054 | 0.0055 |
14 | 0.0086 | 0.0085 | 0.0035 | 0.0033 | 0.0064 | 0.0065 | 0.0035 | 0.0036 | 0.0047 | 0.0050 | 0.0050 | 0.0049 |
15 | 0.0084 | 0.0083 | 0.0034 | 0.0033 | 0.0059 | 0.0061 | 0.0033 | 0.0034 | 0.0046 | 0.0049 | 0.0048 | 0.0048 |
16 | 0.0078 | 0.0077 | 0.0032 | 0.0031 | 0.0056 | 0.0057 | 0.0031 | 0.0032 | 0.0043 | 0.0046 | 0.0044 | 0.0045 |
17 | 0.0101 | 0.0101 | 0.0030 | 0.0029 | 0.0054 | 0.0055 | 0.0029 | 0.0029 | 0.0039 | 0.0041 | 0.0041 | 0.0042 |
18 | 0.0094 | 0.0093 | 0.0027 | 0.0026 | 0.0050 | 0.0051 | 0.0028 | 0.0029 | 0.0037 | 0.0040 | 0.0039 | 0.0040 |
19 | 0.0092 | 0.0091 | 0.0027 | 0.0026 | 0.0046 | 0.0047 | 0.0026 | 0.0027 | 0.0036 | 0.0039 | 0.0039 | 0.0039 |
20 | 0.0085 | 0.0084 | 0.0027 | 0.0026 | 0.0043 | 0.0044 | 0.0023 | 0.0024 | 0.0035 | 0.0037 | 0.0037 | 0.0038 |
بهترین | 0.0078 | 0.0077 | 0.0027 | 0.0026 | 0.0043 | 0.0044 | 0.0023 | 0.0024 | 0.0035 | 0.0037 | 0.0037 | 0.0038 |
میانگین | 0.00912 | 0.0091 | 0.00459 | 0.004275 | 0.008405 | 0.008605 | 0.00431 | 0.00444 | 0.00652 | 0.00699 | 0.00616 | 0.006195 |
جدول 11: جزئیات نتایج 20 اجرای مدل ماشین بردار پشتیبان برای دادههای گروه دوم
داده | مس ایران | ایران خودرو | پالایشگاه اصفهان | پتروشیمی خلیج فارس | لوتوس | بانک تجارت | ||||||
خطا | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون | آموزش | آزمون |
1 | 0.0001 | 0.0004 | 0.0001 | 0.0013 | 0.0002 | 0.0006 | 0.0002 | 0.0013 | 0.0004 | 0.0071 | 0.0016 | 0.0021 |
2 | 0.0002 | 0.0003 | 0.0001 | 0.0001 | 0.0002 | 0.0007 | 0.0001 | 0.0054 | 0.0095 | 0.0261 | 0.0002 | 0.0001 |
3 | 0.0001 | 0.0001 | 0.0001 | 0.0008 | 0.0004 | 0.0009 | 0.0002 | 0.0004 | 0.0005 | 0.0035 | 0.0005 | 0.0011 |
4 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0003 | 0.0011 | 0.0005 | 0.0005 | 0.0006 | 0.0028 | 0.0015 | 0.0012 |
5 | 0.0002 | 0.0005 | 0.0001 | 0.0003 | 0.002 | 0.0025 | 0.0002 | 0.0033 | 0.001 | 0.0103 | 0.0004 | 0.0006 |
6 | 0.0006 | 0.0005 | 0.0003 | 0.0006 | 0.0002 | 0.0006 | 0.0003 | 0.007 | 0.0006 | 0.0039 | 0.0015 | 0.0008 |
7 | 0.0002 | 0.0013 | 0.0001 | 0.0001 | 0.0001 | 0.0002 | 0.0002 | 0.0048 | 0.0006 | 0.004 | 0.0002 | 0.0002 |
8 | 0.0001 | 0.0003 | 0.0007 | 0.0013 | 0.0003 | 0.0007 | 0.0002 | 0.0043 | 0.0004 | 0.002 | 0.0055 | 0.0038 |
9 | 0.0006 | 0.0008 | 0.0001 | 0.0001 | 0.0005 | 0.001 | 0.0004 | 0.0065 | 0.0007 | 0.002 | 0.0004 | 0.0003 |
10 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0004 | 0.0008 | 0.0002 | 0.0022 | 0.0009 | 0.0075 | 0.0002 | 0.0002 |
11 | 0.0004 | 0.0007 | 0.0001 | 0.0002 | 0.0002 | 0.0013 | 0.0007 | 0.0007 | 0.0106 | 0.0201 | 0.0003 | 0.0008 |
12 | 0.0003 | 0.0006 | 0.0002 | 0.0004 | 0.0003 | 0.0003 | 0.0007 | 0.0007 | 0.0006 | 0.0049 | 0.0002 | 0.0003 |
13 | 0.0004 | 0.0006 | 0.0001 | 0.0002 | 0.0003 | 0.0008 | 0.0003 | 0.0035 | 0.0009 | 0.0103 | 0.0003 | 0.0003 |
14 | 0.0002 | 0.0002 | 0.0001 | 0.0002 | 0.0002 | 0.0006 | 0.0003 | 0.0038 | 0.0006 | 0.003 | 0.0002 | 0.0007 |
15 | 0.0002 | 0.0005 | 0.0001 | 0.0002 | 0.0002 | 0.0004 | 0.0002 | 0.0009 | 0.0006 | 0.0032 | 0.0001 | 0.0003 |
16 | 0.0002 | 0.0003 | 0.0001 | 0.0002 | 0.0003 | 0.0003 | 0.0004 | 0.0026 | 0.0004 | 0.0032 | 0.0005 | 0.0006 |
17 | 0.0003 | 0.0004 | 0.0001 | 0.0001 | 0.0004 | 0.0009 | 0.0002 | 0.0019 | 0.0005 | 0.0029 | 0.0005 | 0.0005 |
18 | 0.0003 | 0.0004 | 0.0002 | 0.0025 | 0.0005 | 0.0008 | 0.0002 | 0.0021 | 0.0007 | 0.0033 | 0.0002 | 0.0003 |
19 | 0.0002 | 0.0006 | 0.0001 | 0.0001 | 0.0002 | 0.0003 | 0.0003 | 0.0017 | 0.0008 | 0.0041 | 0.0002 | 0.0002 |
20 | 0.0001 | 0.0002 | 0.0001 | 0.0001 | 0.0002 | 0.0005 | 0.0003 | 0.001 | 0.0005 | 0.0023 | 0.0003 | 0.0005 |
بهترین | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0002 | 0.0001 | 0.0004 | 0.0004 | 0.002 | 0.0001 | 0.0001 |
میانگین | 0.000245 | 0.000445 | 0.00015 | 0.00045 | 0.00037 | 0.000765 | 0.000305 | 0.00273 | 0.00157 | 0.006325 | 0.00074 | 0.000745 |
جدول 12: مقایسه بهترین نتایج بدست آمده برای دو مدل پیشنهادی، ماشین بردار پشتیبان و شبکه عصبی برای دادههای گروه دوم
| مس ایران | ایران خودرو | پالایشگاه اصفهان | پتروشیمی خلیج فارس | لوتوس | بانک تجارت | |
مدل ترکیبی فازی-ازدحام ذرات | آموزش | 0.00003 | 0.00004 | 0.00004 | 0.00008 | 0.00011 | 0.00004 |
آزمون | 0.00003 | 0.00003 | 0.00003 | 0.00003 | 0.00012 | 0.00003 | |
کل | 0.00003 | 0.000037 | 0.000037 | 0.000065 | 0.000113 | 0.000037 | |
مدل یادگیری عمیق | آموزش | 0.00006 | 0.00002 | 0.00002 | 0.00010 | 0.00040 | 0.00002 |
آزمون | 0.00007 | 0.00001 | 0.00001 | 0.00013 | 0.00042 | 0.00003 | |
کل | 0.000063 | 0.000017 | 0.000017 | 0.000109 | 0.000406 | 0.000023 | |
مدل شبکه عصبی | آموزش | 0.0078 | 0.0027 | 0.0043 | 0.0023 | 0.0035 | 0.0037 |
آزمون | 0.0077 | 0.0026 | 0.0044 | 0.0024 | 0.0037 | 0.0038 | |
کل | 0.00777 | 0.00267 | 0.00433 | 0.00233 | 0.00356 | 0.00373 | |
مدل ماشین بردار پشتیبان | آموزش | 0.0001 | 0.0001 | 0.0001 | 0.0004 | 0.0004 | 0.0001 |
آزمون | 0.0001 | 0.0001 | 0.0002 | 0.0001 | 0.0020 | 0.0003 | |
کل | 0.0001 | 0.0001 | 0.00013 | 0.00031 | 0.00088 | 0.00016 |
با مقایسه نمودارهای همگرایی PSO از مدل ترکیبی فازی-ازدحام ذرات، همگرایی مدل یادگیری عمیق و شبکه عصبی مشاهده میشود که همگرایی مدل شبکه عصبی نسبت به دو مدل دیگر کندتر میباشد زیرا تعداد تکرارها مدل شبکه عصبی برای هر سه شرکت بیشتر از 45 تکرار میباشد. اگرچه همگرایی دو مدل پیشنهاد شده در شکلهای 8 الی 3 در کمتر از 20 تکرار محقق شده است ولی میتوان مشاهده نمود که سرعت همگرایی مدل ترکیبی فازی-عصبی از مدل یادگیری عمیق بیشتر است.
4-2- تحلیل نتایج دادههای گروه دوم
دادههای گروه دوم شامل اطلاعات شش شرکت مس ایران، ایران خودرو، پالایشگاه اصفهان، پتروشیمی خلیج فارس، لوتوس و بانک تجارت طی دوره زمانی 1394 تا پایان 1398 است. دو مدل پیشنهادی، شبکه عصبی [17] و ماشین بردار پشتیبان [23]، هرکدام 20 بار اجرا شده و نتایج بدست آمده برای داده های آموزش و آزمون آنها در جداول 8، 9، 10 و 11 نمایش داده شده است. از مقایسه کلی نتایج بدست آمده در این جداول مشاهده میشود که اگرچه مدل ترکیبی فازی-ازدحام ذرات موفق شده به میزان 98% نتایج بهتری از شبکه عصبی و به میزان 88% نتایج بهتری از مدل ماشین بردار پشتیبان داشته باشند ولی در مقایسه با یادگیری عمیق عملکرد ضعیفتری داشته و مدل یادگیری عمیق به میزان 17% موفقتر از مدل ترکیبی فازی-ازدحام ذرات، 98% موفقتر از شبکه عصبی و 90% موفقتر از مدل ماشین بردار پشتیبان در پیشبینی قیمت سهام عمل کرده است. برتری 17% مدل یادگیری عمیق در مقابل مدل ترکیبی فازی-ازدحام ذرات درحالی است که مدل ترکیبی فازی-ازدحام ذرات برای شرکتهای مس ایران، پتروشیمی خلیج فارس و لوتوس توانسته پیشبینی دقیقتری را ارائه دهد.
همچنین از مقایسه نتایج جدول 8 مشاهده میشود که بهترین عملکرد مدل ترکیبی فازی-ازدحام ذرات در پیشبینی قیمت سهام مس ایران بوده بگونهی که عملکرد این مدل برروی داده شرکت مس به میزان 10% بهتر عملکرد این مدل برروی داده شرکت ایران خودرو، به میزان 22% بهتر از شرکت پالایشگاه اصفهان، به میزان 48% بهتر از شرکت پتروشیمی خلیج فارس، به میزان 57% بهتر از شرکت لوتوس و 30% بهتر از بانک تجارت بوده است. تحلیل آماری نتایج جدول 9 نیز بیانگر عملکرد بهتر مدل یادگیری عمیق برروی داده شرکت پالایشگاه اصفهان نسبت به سایر شرکتها میباشد بگونه یی که این برتری نسبت به شرکت مس ایران به میزان 79%، ایران خودرو 2%، پتروشیمی خلیج فارس 86%، لوتوس 95% و بانک تجارت 42% میباشد. نتایج جدول 10 نشان میدهند که مدل شبکه عصبی در پیشبینی قیمت سهام شرکت پتروشیمی خلیج فارس نسبت به سایر شرکتها عملکرد بهتری داشته است. این مهم در مقایسه خطای پیشبینی قیمت سهام شرکت پتروشیمی خلیج فارس نسبت به مس ایران به میزان 52%، نسبت به ایران خودرو 1%، نسبت به پالایشگاه اصفهان 49%، نسبت به لوتوس 35% و نسبت به بانک تجارت 29% میباشد. تحلیل آماری نتایج مدل ماشین بردار پشتیبان در جدول 11 نشان از موفقیت این مدل در پیشبینی قیمت سهام ایران خودرو را دارد. بگونه ای که خطای پیشبینی قیمت سهام مدل ماشین بردار پشتیبان برای ایران خودرو 13% بهتر از خطای پیشبینی سهام مس ایران، 47% بهتر از خطای پیشبینی سهام پالایشگاه اصفهان، 80% بهتر از پتروشیمی خلیج فارس، 92% بهتر از لوتوس و 60% بهتر از خطای پیشبینی سهام بانک تجارت بوده است.
جدول 12 به منظور تسهیل در مقایسه کلی عملکرد مدل ترکیبی فازی-ازدحام ذرات و مدل یادگیری عمیق به دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان طراحی شده است که حاوی بهترین نتایج بدست آمده توسط این چهار مدل برروی شش داده شرکتهای گروه دوم میباشند. شکلهای 17 تا 22 قوانین فازی بدست آمده توسط الگوریتم PSO برای موتور استنتاج شکل 1 برروی شش شرکت دادههای گروه دوم را نمایش میدهند. همانطور که اشاره شد یکی از برتریهای مدل ترکیبی فازی-ازدحام ذرات، تفسیری بالای مجموعه قوانین بدست آمده موتور استنتاج به عنوان الگوی خروجی این مدل توسط تحلیل گران بازار سرمایه است.
5- نتیجهگیری
در این مقاله، یک مدل ترکیبی براساس استنتاج فازی ممدانی و الگوریتم بهینهسازی ازدحام (شکل1) و یک مدل یادگیری عمیق (شکل2) به منظور پیش بینی قیمت سهام در بورس اوراق بهادار ارائه گردید. ورودی مدلهای پیشنهادی دارای 10 متغیرها اقتصادی شامل کمترین قیمت سهام، بالاترین قیمت سهام، قیمت اولیه سهام، حجم معاملات،ارزش معاملات، شاخص بازار اول تالار بورس، قيمت شاخص کل بازار ، نرخ ارز دلار ، قیمت جهانی هر اونس طلا ، قیمت جهانی نفت بوده و خروجی آنها نیز قیمت سهام است. برای یافتن بهترین موتور استنتاج، از PSO برای جستجو در بین ترکیبهای ممکن 20تایی از 3145728 قانون فازی استفاده شده است. به منظور ارزیابی عملکرد دو مدل پیشنهادی و مقایسه آنها با مدل مرسوم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، دو گروه داده شرکتها در نظر گرفته شده. در گروه اول، دادههای سه شرکت فعال در بورس اوراق بهادار تهران همچون نفت پارس، موتوژن و غدیر در بازه 1389 تا پایان 1394 مستخرج و مدلها برروی آنها اجرا شدند. در گروه دوم، دادههای شش شرکت مس ایران، ایران خودرو، پالایشگاه اصفهان، پتروشیمی خلیج فارس، لوتوس و بانک تجارت در بازه 1394 تا پایان 1398 مستخرج و مدلها برروی آنها پیاده سازی و اجرا شدند.
با تحلیل و مقایسه نتایج بدست آمده مشاهده شد که مدل یادگیری عمیق دارای خطای پیشبینی قیمت سهام کمتری نسبت به دو مدل ترکیبی فازی-ازدحام ذرات و شبکه عصبی بوده ولی رفتار مدل ترکیبی در پیشبینی قیمت سهام سه شرکت همسانتر و با واریانس به مراتب کمتر بود. همچنین سرعت همگرایی مدل ترکیبی فازی-ازدحام ذرات از سرعت همگرایی مدل یادگیری عمیق بیشتر بود.
منابع
|
1. Farmer, J.D. and A.W. Lo, Frontiers of finance: Evolution and efficient markets. Proceedings of the National Academy of Sciences, 1999. 96(18): p. 9991-9992.
2. Vachhani, H., et al. Machine learning based stock market analysis: A short survey. in International Conference on Innovative Data Communication Technologies and Application. 2019. Springer.
3. Jain, V.R., M. Gupta, and R.M. Singh, Analysis and Prediction of Individual
4. جهانتیغ, ف., د.پ. تلگردویی, and صفورا, وقفه های زمانی بهینه در پیش بینی قیمت نفت توسط شبکه عصبی پویا اصلاحشده با الگوریتم ژنتیک. فصلنامه مطالعات اقتصاد انرژی, 2018. 14(56): p. 115-143.
5. قربانی, et al., پیش بینی سیگنال معاملات سهام با استفاده از شبکه های پتری رنگی و الگوریتم ژنتیک (مطالعه موردی: بازار بورس تهران). پژوهشنامه مدیریت اجرایی, 2019. 11(21): p. 205-227.
6. نژاد, ف. and مینایی, پیشبینی رفتار بازار سهام بر اساس شبکههای عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند. مدیریت صنعتی, 2018. 10(2): p. 315-334.
7. رمضانی and عاملی, پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی. تحقیقات مدلسازی اقتصادی, 2016. 6(22): p. 61-91.
8. باباجانی, et al., پیش بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی. راهبرد مدیریت مالی, 2019. 7(2): p. 195-228.
9.Kim, T. and H.Y. Kim, Forecasting stock prices with a feature fusion LSTM-CNN model using different representations of the same data. PloS one, 2019. 14(2).
10.monajemi, abzari, and rayati, Stock price prediction in stock exchange stock exchange using fuzzy neural network and genetic algorithm and comparing it with artificial neural network. Quarterly Journal of Economics, 2010. 3(6): p. 1-26.
11.Hájek, P., V. Olej, and R. Myskova, Forecasting stock prices using sentiment information in annual reports: A neural network and support vector regression approach. WSEAS Transactions on Business and Economics, 2013. 10(4): p. 293-305.
12.Hadavandi, E., H. Shavandi, and A. Ghanbari, Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems, 2010. 23(8): p. 800-808.
13.Chen, Y., et al., Hybrid methods for stock index modeling. Fuzzy Systems and Knowledge Discovery, 2005: p. 490-490.
14.Wang, S., et al., Stock price prediction based on chaotic hybrid particle swarm optimisation-RBF neural network. International Journal of Applied Decision Sciences, 2017. 10(2): p. 89-100.
15.Khuat, T.T. and M.H. Le, An Application of Artificial Neural Networks Stock Prices of Financial Sector Companies in NIFTY50. International Journal of Information Engineering and Electronic Business, 2018. 11(2): p. 33.
16.Ghasemiyeh, R., R. Moghdani, and S.S. Sana, A Hybrid Artificial Neural Network with Metaheuristic Algorithms for Predicting Stock Price. Cybernetics and Systems, 2017. 48(4): p. 365-392.
18.Rajihy, Y., K. Nermend, and A. Alsakaa, Back-propagation artificial neural networks in stock market forecasting. An application to the Warsaw Stock Exchange WIG20. Aestimatio, 2017(15): p. 88.
20. موسوی, س. علیرضا, and غلامی, استفاده از الگوریتم ترکیبی عصبی کرم شبتاب و روش رگولاسیون بیزین جهت پیشبینی قیمت سهام. مهندسی مالی و مدیریت اوراق بهادار, 1397. 9(36): p. 295-321.
21.Fischer, T. and C. Krauss, Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 2018. 270(2): p. 654-669.
22.Long, W., Z. Lu, and L. Cui, Deep learning-based feature engineering for stock price movement prediction. Knowledge-Based Systems, 2019. 164: p. 163-173.
23.Kelotra, A. and P. Pandey, Stock market prediction using optimized deep-convlstm model. Big Data, 2020. 8(1): p. 5-24.
24.Xiao, C., W. Xia, and J. Jiang, Stock price forecast based on combined model of ARI-MA-LS-SVM. Neural Computing and Applications, 2020: p. 1-10.
25.Lee, M.-C., Using support vector machine with a hybrid feature selection method to the stock trend prediction. Expert Systems with Applications, 2009. 36(8): p. 10896-10904.
26.Chen, Y. and Y. Hao, A feature weighted support vector machine and K-nearest neighbor algorithm for stock market indices prediction. Expert Systems with Applications, 2017. 80: p. 340-355.
27.Nair, B.B., V. Mohandas, and N. Sakthivel, A decision tree—rough set hybrid system for stock market trend prediction. International Journal of Computer Applications, 2010. 6(9): p. 1-6.
28.Qiu, W., X. Liu, and L. Wang, Forecasting shanghai composite index based on fuzzy time series and improved C-fuzzy decision trees. Expert Systems with Applications, 2012. 39(9): p. 7680-7689.
29.Basak, S., et al., Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 2019. 47: p. 552-567.
30.Khaidem, L., S. Saha, and S.R. Dey, Predicting the direction of stock market prices using random forest. arXiv preprint arXiv:1605.00003, 2016.
31.Sharma, N. and A. Juneja. Combining of random forest estimates using LSboost for stock market index prediction. in 2017 2nd International Conference for Convergence in Technology (I2CT). 2017. IEEE.
32.الهام, غ. and د. سيدمحمدرضا, پيش بيني روند قيمت در بازار سهام با استفاده از الگوريتم جنگل تصادفي. فصلنامه مهندسی مالی و مدیریت اوراق بهادار 1397. 9(35): p. 301-322.
33.Alkhatib, K., et al., Stock price prediction using k-nearest neighbor (kNN) algorithm. International Journal of Business, Humanities and Technology, 2013. 3(3): p. 32-44.
34.زاده, et al., پیشبینی قیمت سهام با استفاده از روش خود رگرسیون با وقفه توزیعی (ARDL). تحقیقات مالی, 1386. 9(23): p. 49-60.
35.قلی زاده, م.ح., et al., پیش بینی قیمت سهام با روش رگرسیون فازی. پژوهشنامه اقتصاد کلان, 1390. 6(12): p. 107-128.
36.Kita, E., M. Harada, and T. Mizuno, Application of Bayesian Network to stock price prediction. Artif. Intell. Research, 2012. 1(2): p. 171-184.
37.Sun, Q., W.-G. Che, and H.-L. Wang, Bayesian regularization BP neural network model for the stock price prediction, in Foundations and applications of intelligent systems. 2014, Springer. p. 521-531.
38.Wang, L., et al., Stock market trend prediction using dynamical Bayesian factor graph. Expert Systems with Applications, 2015. 42(15-16): p. 6267-6275.
39.Hassan, M.R., et al., A HMM-based adaptive fuzzy inference system for stock market forecasting. Neurocomputing, 2013. 104: p. 10-25.
40.Chang, P.-C. and C.-H. Liu, A TSK type fuzzy rule based system for stock price prediction. Expert Systems with applications, 2008. 34(1): p. 135-144.
41.Lincy, G.R.M. and C.J. John, A multiple fuzzy inference systems framework for daily stock trading with application to NASDAQ stock exchange. Expert Systems with Applications: An International Journal, 2016. 44(C): p. 13-21.
42.Chandar, S.K., Fusion model of wavelet transform and adaptive neuro fuzzy inference system for stock market prediction. Journal of Ambient Intelligence and Humanized Computing, 2019: p. 1-9.
43.Feylizadeh, M.R., M.H. Keshavarz, and A. Hendalianpour, Presenting a model for predicting the Tehran Stock Exchange Index using ANFIS and fuzzy regression. Journal of New Researches in Mathematics, 2019.
44.Nhu, H.N., S. Nitsuwat, and M. Sodanil. Prediction of stock price using an adaptive Neuro-Fuzzy Inference System trained by Firefly Algorithm. in 2013 International Computer Science and Engineering Conference (ICSEC). 2013. IEEE.
45.Dash, R. and P. Dash, Efficient stock price prediction using a self evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique. Expert Systems with Applications, 2016. 52: p. 75-90.
46.Wei, L.-Y., A hybrid model based on ANFIS and adaptive expectation genetic algorithm to forecast TAIEX. Economic Modelling, 2013. 33: p. 893-899.
47.Bagheri, A., H.M. Peyhani, and M. Akbari, Financial forecasting using ANFIS networks with quantum-behaved particle swarm optimization. Expert Systems with Applications, 2014. 41(14): p. 6235-6250.
48.Han, J., J. Pei, and M. Kamber, Data mining: concepts and techniques. 2011: Elsevier.
49.Bova, S., et al. A logical analysis of Mamdani-type fuzzy inference, I theoretical bases. in International Conference on Fuzzy Systems. 2010. IEEE.
50.Kennedy, J. and R. Eberhart, Particle Sswarm Ooptimization. IEEE, 1995: p. 1942-1948.
51.Engelbrecht, A.P., Computational intelligence: an introduction. 2 ed. 2007, England: John Wiley & Sons. 597.
52.Werbos, P.J., Beyond Regression: New Tools for Prediction and Analysis in the Behavioural Sciences. 1974, Harvard University: Boston, USA.
|
|
|
|
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024