عنوان پایان‌نامه
ارائه مدلی برای کمک به تصمیم گیری عاملهای هوشمند در پیش بینی قیمت سهام
- رشته تحصیلی
- مهندسی فناوری اطلاعات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 43892;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1675
- تاریخ دفاع
- ۰۶ بهمن ۱۳۸۸
- دانشجو
- روح اله شکوری
- استاد راهنما
- فتانه تقی یاره
- چکیده
- چکیده پیش‌بینی قیمت سهام همواره یکی از پرطرفدارترین فعالیتها در بین فعالین بازار سهام بوده است و بر این اساس روشها و متدهای فراوانی طراحی و پیاده‌سازی گردیده‌اند. هدف از این تحقیق ارائه سیستمی یکپارچه است که از کنار هم قرار دادن مدلهای پیش‌بینی موجود و ترکیب آن با برخی مدلهای جدید پیشنهادی بتواند مزیت‌های همه مدلها را در هم اقدام نماید. بر این اساس مدل تصمیم گیرنده‌ای معرفی شده است که شبکه‌ای از عاملهای هوشمند برای پیش‌بینی قیمت سهام در یک روز بعد می‌باشد و این مدل می‌تواند بوسیله عاملهای فعال در بازار سهام مورد استفاده قرار گیرد. به منظور ارزیابی مدل پیشنهادی، چهار برنامه کاربردی متفاوت در زمینه پیش‌بینی قیمت سهام بر مبنای شبکه عصبی و یک برنامه دیگر بر اساس تحلیل تکنیکال پیاده‌سازی گشته و هر یک به عنوان یک عامل به مدل معرفی گردیده‌اند. نتایج بدست آمده نشان می‌دهد که یکی از عاملهای بکار رفته که نسخه‌ای تغییر یافته از شبکه عصبی با الگوریتم پخش عقبرو است، در مقایسه با برنامه‌های کاربردی بکار رفته دیگر نتیجه بهتری کسب کرده است. علاوه بر این بدلیل استفاده از برخی روش‌های ترکیبی از جمله دخیل نمودن دانش مربوط به تحلیل تکنیکال در نتیجه پیش‌بینی، مدل نهایی نتیجه‌ای به مراتب بهتر از هر یک از عاملهای معرفی شده دارد. در صورت افزایش کارایی عاملهای ورودی به مدل پیشنهادی، می‌توان انتظار تولید نتایج بهتری را داشت.
- Abstract
- Abstract: Forecasting stock prices has been one of the most attracting activities among stock market participants and many different methods and approaches have been developed for this purpose. This study aims to combine a number of these predicting models which they may have pros and cons, with applying their advantages. We have introduced a decision making model as a network of predicting agents for one-step-ahead forecasting of stock prices which can be used by intelligent agents in stock market. In order to evaluate our model, we have developed four different predicting applications based on back-propagation neural network alongside one additional application based on technical analysis, which each of them introduced as an agent to the model. Our findings indicate one of the agents, a revised version of back-propagation neural network, has produced appropriate result comparatively. In addition, due to applying some fusion methods, our model leads to prediction with higher quality compared to the individual agents. The suggested model could be a more promising model provided that we improve individual agent’s performance.
