پديد آورنده :
روشندل، شايان
عنوان :
كاربرد شبكه هاي عصبي و تركيب با الگوريتم هاي بهينه سازي تكاملي براي پيش بيني بيشترين و كمترين قيمت روزانه سهام در بورس اوراق بهادار تهران
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
بهينه سازي سيستم ها
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
دوازده، 66ص. : مصور،جدول، نمودار
استاد راهنما :
مهدي بيجاري
توصيفگر ها :
پيش بيني , شبكه عصبي مصنوعي , داده كاوي , سري زماني , تحليل فني , الگوريتم هاي بهينه سازي تكاملي
تاريخ ورود اطلاعات :
1400/09/09
رشته تحصيلي :
مهندسي صنايع
دانشكده :
مهندسي صنايع و سيستم ها
تاريخ ويرايش اطلاعات :
1400/09/16
چكيده فارسي :
پيش بيني همواره به صورت يك ضرورت در كسب و كار و زندگي اجتماعي در بسياري از علوم مطرح بوده است. يكي از حوزه¬هايي كه امروزه پيش¬بيني در آن از اهميت خاصي برخوردار است، مسائل مالي و اقتصادي بخصوص بازار سرمايه و بورس اوراق بهادار است. سرمايه¬گذاران به دنبال روش¬هايي هستند تا پيش¬بيني بهتري از قيمت سهام داشته باشند و بالاترين بازدهي را از سرمايه¬گذاري خود كسب كنند.
در پژوهش¬هاي پيشين، اغلب تنها قيمت پاياني يا بسته شدن سهم پيش¬بيني مي¬شده است، در حالي كه سرمايه-گذار پس از تصميم به خريد يا فروش يك سهام نياز به پيش¬بيني كمترين و بيشترين قيمت روزانه براي افزايش بازده معاملات خود دارد. در اين پژوهش سعي بر آن است كه با استفاده از مدل پرسپترون چندلايه از شبكه عصبي مصنوعي و آموزش آن با الگوريتم لونبرگ ماركوارت و الگوريتم¬هاي بهينه سازي تكاملي مدلي براي پيش¬بيني كمترين و بيشترين قيمت روزانه سهام در بازار بورس اوراق بهادار تهران ارائه گردد.
در همين راستا در اين پژوهش به تلفيق تحليل فني، شبكه عصبي و الگوريتم¬هاي بهينه سازي تكاملي پرداخته و به پيش بيني دو قيمت براي دوره آينده پرداخته مي¬شود. مدل هاي مذكور در قالب شبكه عصبي با يكديگر تلفيق شده و نتايج نشان دهنده برتري عملكرد شبكه عصبي آموزش داده شده با الگوريتم لونبرگ ماركوارت نسبت به الگوريتم¬هاي بهينه سازي ژنتيك و بهينه سازي ازدحام ذرات در پيش¬بيني قيمت¬هاي مذكور است
چكيده انگليسي :
Prediction has always been a necessity in business and social life in many sciences. One of the areas which forecasting is particular importance today is financial and economic issues, especially the capital market and stock market. The investors are looking for ways to have better prediction of stock prices and get the highest return on their investment.
In most previous studies, only the closing price was predicted, while the investors need to predict the lowest and highest daily prices after deciding to buy or sell stocks to increase the return on their trades. In this study, we try to provide a model for predicting the lowest and highest daily stock prices in the Tehran Stock Exchange using the multilayer perceptron model of artificial neural network and training it with levenberg-marquardt algorithm and evolutionary optimization algorithms.
In this regard, this study combines technical analysis, neural network and evolutionary optimization algorithms and predict two prices for the future. The mentioned models are combined in the form of neural network and results show the superiority of neural network performance trained by levenberg-marquardt algorithm over genetic optimization and particle swarm optimization algorithms in predicting the mentioned prices.
استاد راهنما :
مهدي بيجاري
