نویسندگان
1 دانشیار رشته مدیریت، دانشگاه تربیت مدرس، تهران، ایران
2 مربی مدیریت، دانشگاه قم، قم، ایران
3 استادیار مدیریت، دانشگاه تربیت مدرس، تهران، ایران
چکیده
امروزه، سرمایه‌گذاری در بورس، بخش مهمی از اقتصاد کشور را تشکیل می‌دهد. به همین دلیل پیش‌بینی قیمت سهام برای سهامداران از اهمیت خاصی برخوردار شده است تا بتوانند بالاترین بازده را از سرمایه‌گذاری خود کسب کنند. از سوی دیگر، شاخص قیمت سهام نشان دهنده وضعیت کلی بازار سهام است و می‌تواند به پیش‌بینی سهامداران جهت سرمایه‌گذاری کمک کند. اغلب در سالهای گذشته از روشهای کلاسیک برای پیش‌بینی قیمت سهام استفاده می‌کردند، اما با پیشرفت و توسعه مداوم روشهای فرا ابتکاری، شبکه های عصبی و شبکه های عصبی فازی، کاربردهای روزافزونی در مبحث پیش‌بینی شاخص قیمت سهام پیدا کرده‌اند.
در این تحقیق، سه رویکرد مطرح می‌شود: 1) پیش‌بینی شاخص قیمت سهام با رویکرد روشهای کلاسیک؛ 2) رویکرد هوش مصنوعی؛ 3) رویکرد ترکیبی. به این منظور ابتدا ارزیابی عملکرد روشهای کلاسیک از قبیل روشهای هموارسازی نمایی، تحلیل روند، ARIMA و هوش مصنوعی از قبیل
شبکههای عصبی و شبکههای عصبی فازی انجام شده است، سپس سناریو سوم، یعنی طراحی مدل ترکیبی از ARIMA ، شبکههای عصبی و شبکههای عصبی فازی مورد بررسی قرار گرفته است. نتایج تحقیق بیانگر آن است که توانایی مدل ترکیبی نسبت به تمامی روشهای هوش مصنوعی و کلاسیک بالاتر است.
عنوان مقاله [English]
A Comparative Study on the Classical and Artifitial Intelligence Methods in Stock Price Index Forecasting and Hybrid Modeling
نویسندگان [English]
- Adel Azar 1
- Amir Afsar 2
- Parviz Ahmadi 3
چکیده [English]
Today, stock investment has become an important mean of national finance. Apparently, it is significant for investors to estimate the stock price and select the trading chance accurately in advance, which will bring high return to stockholders. In the past, long-term trading processes and many technical analysis methods for stock market were put forward. However, stock market is a nonlinear system, due to the political, economical and psychological impact factors. Thus, it is difficult for us to use traditional analysis tools to make stock transaction decision. With the developmenting of nonlinear methods such as neural networks and fuzzy neural networks, we can now use these methods for stock price forecasting.
In this research, we presented three scenarios: 1) stock price forecasting with classical methods approach, 2) stock price forecasting with artificial intelligence methods approach, and 3) stock price forecasting with hybrid model. Therefore, first, we designed classical models such as exponential smoothing, trend analysis, and ARIMA, then artificial intelligent models such as neural networks and fuzzy neural networks were designed, next the third scenario i.e., hybrid model, was presented. Finally, the scenarios were measured. The experimental result showed that the hybrid model had more accuracy than the classical or artificial intelligent models.
The hybrid model enjoyed also such properties as fast convergence, high precision and strong function approximation ability, there fore, it is suitable for real stock price forecasting.
)