پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی

Authors

Abstract:

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.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه ی عصبی فازی و الگوریتم های ژنتیک و مقایسه ی آن با شبکه ی عصبی مصنوعی

    سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه ­های پرسود در بازار سرمایه است.  بازار سهام دارای سیستمی غیرخطی و آشوب گونه است که تحت تأثیر شرایط سیاسی، اقتصادی و روانشناسی می ­باشد و می­ توان از سیستم ­های هوشمند غیرخطی همچون شبکه ­های عصبی مصنوعی، شبکه­ های عصبی فازی و الگوریتم ­های ژنتیک برای پیش ­بینی قیمت سهام استفاده نمود. در این مقاله به طراحی و ارائه ­ی یک مدل پیش ب...

full text

سیستم خبره پیش بینی قیمت سهام و بهینه سازی سبد سهام با استفاده از شبکه های عصبی فازی، مدل سازی فازی و الگوریتم ژنتیک

افزایش میزان سود و کاهش ریسک سرمایه¬گذاری دربورس همیشه مهمترین دغدغه سرمایه¬گذاران بوده است و آنها همواره به دنبال راهی هستند که بهترین پیشنهاد را برای خرید سهام داشته باشند به گونه¬ای که دارای بیشترین بازده و کمترین ریسک سرمایه¬گذاری باشد.تحقیقات زیادی در این رابطه انجام شده است و مدل ریاضی میانگین واریانس مارکویتز به عنوان یکی از اصلی¬ترین کارهای این حوزه شناخته می¬شود. علیرغم اهمیت این مدل چ...

full text

مدل سازی و پیش بینی کارایی بانک های دولتی و خصوصی ایران با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک

دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی...

full text

سیستم خبره پیش بینی قیمت سهام و بهینه سازی سبد سهام با استفاده از شبکه‌های عصبی فازی، مدل سازی فازی و الگوریتم ژنتیک

افزایش میزان سود و کاهش ریسک سرمایه¬گذاری دربورس همیشه مهمترین دغدغه سرمایه¬گذاران بوده است و آنها همواره به دنبال راهی هستند که بهترین پیشنهاد را برای خرید سهام داشته باشند به گونه¬ای که دارای بیشترین بازده و کمترین ریسک سرمایه¬گذاری باشد.تحقیقات زیادی در این رابطه انجام شده است و مدل ریاضی میانگین واریانس مارکویتز به عنوان یکی از اصلی¬ترین کارهای این حوزه شناخته می¬شود. علیرغم اهمیت این مدل چ...

full text

ترکیب شبکه های عصبی برای پیش بینی قیمت سهام

در این مقاله، یک مدل ابتکاری با ترکیب شبکه های عصبی مصنوعی (ANN) برای پیش بینی رفتار قیمت سهام پیشنهاد و اجرا می شود. این مدل ترکیبی، به صورت ساختار دو طبقه می باشد: شبکه های عصبی طبقه اول یا پیشگوهای پایه (Base Predictor) مسئول پیش بینی روزانه داده ها با ویژگی مختلف یک سهام می باشند و در طبقه دوم، شبکه دیگر، به عنوان ترکیب کننده پیش بینی نهایی را با بررسی و آنالیز اطلاعات پیشگوهای طبقه اول انج...

full text

پیش بینی بازده بازار سهام تهران با استفاده از ترکیب تجزیه موجک و شبکه عصبی فازی تطبیقی

همواره مدل­سازی و پیش­بینی متغیرهای مالی یکی از موضوع‌های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش­بینی سری­های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می­آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش­بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز­های تصادفی داده­های ورودی شبکه عصبی فازی تطبیقی کاهش می­یابد...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 22

pages  61- 91

publication date 2016-03

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023