پیش‌بینی قیمت سهام با شاخص های ترکیبی به روش شبکه عصبی مصنوعی-  …
پیش‌بینی قیمت سهام با استفاده از با
شاخص‌های ترکیبی بازار به روش شبکه عصبی

شبکه عصبی

داده‌های روزانه
داده‌های بنیادی

روش ترکیبی دقت پیش‌بینی قیمت سهام را بالا می‌برد.

یاکوب کاراوهمکاران ۲۰۱۱

پیش‌بینی جهت حرکت شاخص قیمت سهام بورس استانبول

شبکه عصبی فازی
ماشین بردار پشتیبان

داده‌های روزانه شاخص فنی

شبکه عصبی فازی دقت بالتری نسبت به ماشین بدار
پشتیبان دارد.

حمید شیخ ۲۰۰۷

پیش‌بینی قیمت سهام اپل و دل برای پنج هفته آینده

برای دانلود متن کامل این پایان نامه به سایت  fumi.ir  مراجعه نمایید.

مدل ترکیبی
مدل رگرسیونی

داده‌های تاریخی ۲۰۰۳ و ۲۰۰۴

برتری مدل ترکیبی شبکه عصبی و ژنتیک نسبت به رگرسیون خطی

جدول ۲-۱ خلاصه نتیجه تحقیقات خارجی گذشته
۲-۲۴-۲٫ تحقیق‌های داخلی
خالوزاده (۱۳۸۳) با استفاده از سری زمانی قیمت و بازده سهام چند شرکت در بازار سهام و اوراق بهادار تهران به پیش‌بینی قیمت سهام و نیز ارائه مدل بهینه پرداخت بر اساس سه روش خطی و غیرخطی و شبکه عصبی با ساختار پیشنهادی انجام شد برای مدل‌سازی غیرخطی از مدل‌های اریما و برای مدل‌های غیرخطی از شبکه عصبی پرسپترون سه لایه با الگوریتم پس از انتشار خطا استفاده شد نتایج به‌دست‌آمده حاکی از آن است که استفاده از انواع مختلف روش‌های غیرخطی به دلیل وجود ساختار آشوب گونه سری‌ها درست نیست و همچنین استفاده از روش‌های غیرخطی شبکه عصبی به شکل متعارف نتایج قابل‌توجهی به دنبال ندارد به این‌که مدل‌های شبکه عصبی تک خروجی نتایج بسیار خوبی را برای پیش‌بینی قیمت سهام داشته‌اند و خطای این مدل‌ها کم بوده‌اند اما به دلیل حساسیت بسیار زیاد این مدل نسبت به شرایط اولیه و اختلاف اندک در مقادیر پیش‌بینی روز بعد موجب خطای زیاد شده است.
آذر و افسر (۱۳۸۵) قیـمت سهـام را در چهار شرکت تولـیدی و خدماتی با رویکرد شبکه عصبـی فازی پیش‌بینی کرده‌اند. در این تحقیق، مدل شبکه عصبی فازی برای پیش‌بینی اریما قیمت سهام طراحی‌شده و عملکرد این مدل به‌وسیله شش معیار با روش اریما مقایسه شده است. نتایج تحقیق حاکی از آن است که شبکه عصبی بر دو روش برتری دارد.
منجمی همکاران (۱۳۸۸) در پژوهشی تحت عنوان پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه‌ی عصبی -فازی و الگوریتم‌های ژنتیک و مقایسه‌ی آن با شبکه‌ی عصبی مصنوعی نشان دادند که ازنقطه‌نظر معیارهای ارزیابی عملکرد، پیش‌بینی قیمت سهام روز بعد توسط مدل ترکیبی شبکه‌ی عصبی فازی و الگوریتم ژنتیکی دقیق تراز شبکه‌ی عصبی است. به‌عبارتی‌دیگر، پیش‌بینی قیمت سهام با استفاده از شبکه‌ی عصبی – فازی و الگوریتم‌های ژنتیکی، خطای برآورد قیمت سهام را نسبت به تکنیک شبکه‌ی عصبی مصنوعی کاهش می‌دهد.
به پیش‌بینی سهام شرکت سرمایه‌گذاری غدیر به‌عنوان سهامی که قیمتش متأثر از عملکرد چند شرکت است پرداختند. آنان متغیرهای شاخص کل بازار بورس تهران، قیمت‌های دلار، یورو، طلا و نفت را به‌عنوان ورودی در نظر گرفتند. مقایسه نتایج حاصل از شبکه عصبی چندلایه با رگرسیون خطی عملکرد دقیق‌تر شبکه را نسبت به رگرسیون نشان داد.
کردلویی و زارعی (۱۳۸۹) با استفاده از مدل پرسپترون چندلایه از شبکه‌های عصبی مصنوعی بپردازد؛ و با روش‌های مختلف سعی شود خطای این پیش‌بینی را بهبود بخشد. متغیرهای بسیار زیادی در قیمت سهام تأثیرگذار می‌باشند که در این میان سهم شاخص‌های اقتصادی عمده ر ا می‌توان بسیار بالا دانست، که نرخ ارز شامل نرخ دلار آمریکا و یورو، قیمت طلا و قیمت نفت از آن جمله می‌باشند. همچنین شاخص کل نیز به‌عنوان نماینده‌ای از کل شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در نظر گرفته می‌شود، که این شاخص‌ها به‌عنوان متغیرهای مستقل جهت پیش‌بینی قیمت سهام مورداستفاده قرارگرفته‌اند.
خاشعی و بیجاری (۱۳۹۰) نرخ پـوند/ دلار با استفاده از شبـکه عصبی را اریما پیشبینی نمودند. نتایج دلالت بر این داشت که دقت پیشبینی با شبکه عصبی در دوره ۳۵ در دوره اریمـا بیشتر است، درحالی‌که شبـکه عصبی نسبت به اریـما روزه از زمانی ۶۵ روزه دقت پیشبینی پایین‌تری دارد.
زمانی (۱۳۹۲) به دنبال ارائه مدلی است که در آن پتانسیل آتی سهام، توسط شبکه عصبی فازی پیشبینی میشود و بر اساس پیشبینیهای به‌دست‌آمده، مدل ریاضی بهینه‌سازی بر مبنای فاکتورهایی چون میانگین، واریانس و چولگی سبد سهام ارائه می‌شود. سپس، این مدل با استفاده از الگوریتم ژنتیک حل میشود. نتایج تحقیق بیانگر آن است که مدل ارائه‌شده در این مقاله، در مقایسه با روشهای سنتی و شاخص بازار، بازدهی بیشتری را برای سرمایهگذاران فراهم مینماید.
کریـمی و دارابـی (۱۳۹۳) در پـژوهشی به بررسی مـوانع مـوجود در تعیین قیـمت سهام به روش شبکه عصبی در شرکت‌های صنـایع فلزی و کانی پذیرفته‌شده در بـورس تهـران پرداخته‌اند؛ که در این روش از دو روش تحلـیل آماری و شبکه عصبی استفاده‌شده است؛ که فرضیـات پـژوهش با استفاده از شبکه عصبی پس از انتشار خطا با استفاده از مدل آموزش لونبرگ مارکست موردبررسی قرار گـرفت. درنهایت نتایج شبـکه عصبی با نتـایج تحلیل آماری مطابقت دارد به عبارتی در هر دو روش موانعی در پیش‌بینی قیـمت سهام به روش شبکه عصبی تعیین گردیده است.
صدر پیشه خسرونژاد (۱۳۹۳) هدفشان، ارزیابی قدرت پیش‌بینی مدل‌های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری‌های زمانی و شبکه عصبی مصنوعی، متغیر هفتگی شاخص قیمت سهام در بورس اوراق بهادار تهران در سال‌های ۸۳ تا ۸۷ برآورد شده و سپس قدرت پیش‌بینی دو مدل در سال‌های ۸۷ تا ۸۹ آزمون شده است. نتایج، بیانگر عدم اختلاف معنی‌دار دو مدل می‌باشد.
شاهعلی زاده و دارابی (۱۳۹۳) با استفاده از مدل شبکه مصنوعی مدل ترکیبی جدیدی ارائه نمود که نسبت به سایر روش‌های خطی و غیرخطی پیش‌بینی قیمت سهام خطای را با خطای کمتری انجام دهد. در تحقیقشان جهت پیش‌بینی قیمت سهام از ترکیبی از هوش مصنوعی: شبکه عصبی فازی، الگوریتم ژنتیک استفاده‌شده است مول ترکیبش با شبکه عصبی و اریما مقایسه شده است و حاکی از برتری شبکه عصبی ترکیبی نسبت به سایر روش‌ها دارد.
ابراهیم پور کومله و عربانی (۱۳۹۴) استفاده از شبکه‌های عصبی مصنوعی به ‌پیش‌بینی قیمت بازار سهام در یک ناحیه پیوسته پرداختند. هدف نهایی افزایش بازدهی سرمایه‌گذاری می‌باشد. آن تقریباً ثابت‌شده است که برگشت سرمایه در بازارهای سهام از طریق هرکدام از تکنیک‌های سنتی ناراضی کننده بود. درنتیجه ما می‌توانیم بگوییم که اگر سیستم خود را با مجموعه داده‌ای ورودی بیشتر آموزش دهیم آن خطای کمتری را در پیش‌بینی قیمت خواهد داشت.