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
محورهای موضوعی : عمومى
مجید عبدالرزاق نژاد
1
(گروه مهندسی کامپیوتر، دانشکده مهندسی - دانشگاه بزرگمهر قائنات - قائن – ایران)
مهدی خرد
2
(دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند - بیرجند – ایران)
کلید واژه: پیش‌بینی قیمت سهام, سیستم استنتاج فازی, یادگیری عمیق, شبکه عصبی و الگوریتم بهینهسازی ازدحام ذرات.,
چکیده مقاله :
پیش‌بینی قیمت سهام توسط تحلیلگران داده یک فرصت تجاری بزرگ را برای طیف گسترده سرمایه گذاران 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.
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.
