پیش‌بینی قیمت سهام با شاخص های ترکیبی به روش شبکه عصبی مصنوعی- قسمت ۲۹

شفارس

۰٫۹۹۷

۷۰۳۴۸

۲۶۵

۰٫۰۲۴

۱۳۲

شیراز

۰٫۹۹۷

۶۸۱۱۱

۲۶۰

۰٫۰۲۷

۱۴۷

شبلی

۰٫۹۹۳

۱۷۳۸۱

۴۱۶

۰٫۰۴۲

۲۳۸

جدول ۴-۴ شبکه عصبی مدل اول کل داده‌ها با متغیرهای ترکیبی (یافتههای محقق)
۴-۴-۲٫ سؤال دوم: چگونه می‌تواند قیمت سهام را با استفاده از شاخص‌های تکنیکال به روش شبکه عصبی پیش‌بینی کرد؟
به جهت پیاده‌سازی دومین سؤال، از یک شبکه MFNN سه لایه استفاده شد که ورودیهای آن متغیرهای تجزیه و تحلیل فنی شامل: ۱٫ اولین قیمت، ۲٫ بیشترین قیمت، ۳٫ کمترین قیمت، ۴٫ قیمت پایانی روز، ۵٫ قیمت روز گذشته ۶٫ حجم معاملات سهم.
همچنین به‌منظور یافتن شبکه مناسب، شبکه را با استفاده از دادههای آموزشی، آموزش دادیم. پس از آموزش شبکه، عملکرد آن را بر روی‌دادههای آزمایشی سنجیدیم. این عملیات را باکم و زیاد کردن تعداد لایهها و نر ون‌های هر لایه و با تغییر توابع فعال‌سازی، مانند سؤال اول پرداختیم الگوریتم آموزش و معیار تابع هدف، تکرار نمودیم تا به یک ساختار مناسب دست‌یافتیم، برای تعیین تعداد واحدهای پردازش اطلاعات مناسب، تعداد نرونهای پنهان را از ۱۰ تا ۱۷ برای شرکتهای مختلف تغیر دادیم. به‌منظور جلوگیری از خطا، فرآیند یادگیری برای هر مدل، حلقه تکرار، با ۱۵۰ بار تکرار کردیم. میانگین شاخص جذر میانگین مجذور خطا RMSE در مدل‌های برآورد شده با تعداد نرونهای مختلف، به شرح زیر حاصل‌شده است:

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

تعداد نرون ۱۰ ۱۱ ۱۲ ۱۳ ۱۴