عنوان پایان‌نامه
پیش بینی شاخص قیمت سهام با استفاده از شبکه عصبی بهینه شده با الگوریتم دسته ماهی مصنوعی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68187
- تاریخ دفاع
- ۰۸ مهر ۱۳۹۳
- دانشجو
- منا یوسفی
- استاد راهنما
- سعید فلاح پور
- چکیده
- پیش‌بینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاستگذاران اقتصادی کشورها دارد. پیش‌بینی شاخص سهام به عنوان یکی از متغیرهای کلان اقتصادی، اطلاعات ارزشمندی در مورد روند آتی بازار سرمایه برای سرمایه‌گذاران فراهم می‌نماید. شبکه‌های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده‌ها و مدل‌سازی روابط غیرخطی به حساب می‌آیند که استفاده از آنها در سال‌های اخیر در مباحث مالی و اقتصادی رایج شده است. در این مطالعه، شاخص کل سهام و شاخص پنجاه شرکت فعال‌تر بورس اوراق بهادار تهران با به کارگیری از شبکه عصبی پایه شعاعی پیش‌بینی و برآورد شده است. همچنین الگوریتم دسته‌ی ماهیهای مصنوعی معرفی و از آن برای بهینه‌سازی فرآیند یادگیری شبکه عصبی پایه شعاعی بهره گرفته شده است. سپس به منظور نشان دادن دقت پیش‌بینی مدل پیشنهادی، نتایج حاصل از آن با شبکه عصبی پایه شعاعی بهینه شده با الگوریتم خوشه‌بندی K-mean و شبکه عصبی پرسپترون با الگوریتم یادگیری پس‌انتشار خطا با استفاده از آزمون مقایسات زوجی مقایسه گردید. نتایج حاکی از آن است که شبکه عصبی پایه شعاعی بهینه‌شده با الگوریتم دسته‌ی ماهیهای مصنوعی، الگوریتمی با دقت قابل ملاحظه است و خطای پیش‌بینی آن به صورت معنی‌داری کمتر از سایر مدل‌های مقایسه‌شده می‌باشد.
- Abstract
- Forecasting economic and financial variables is important for countries economic policymakers. Forecasting stock index as one of the macroeconomic variables provides valuable information about the future trends for investors in the capital market. Artificial neural networks that their use in economic and financial issues has increased in recent years are considered a powerful tool for data analysis and modeling of nonlinear equations. In this study, Radial Basis Function neural network is used to forecast and estimate the Overall index and Top 50 index of Tehran Stock Exchange. As well, the Artificial Fish Swarm Algorithm is introduced to optimize the learning process of Radial Basis Function neural network. In order to demonstrate the prediction accuracy of the proposed model, its results are compared with results of Radial Basis Function neural network optimized by K-mean clustering algorithm and back-propagation neural network by means of paired comparisons test. The results indicate that Radial Basis Function neural network optimized by Artificial Fish Swarm Algorithm is an algorithm with considerable accuracy and its prediction error is significantly lower than other compared models.
