ورود
مقالات فارسیISIکنفرانسهاژورنالها

مدلی هوشمند برای پیش بینی روند سهام با استفاده از روش های تحلیل تکنیکال

Publish place: Financial Research Journal، Vol: 20، Issue: 2
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 248

This Paper With 17 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:
https://civilica.com/doc/1394944

شناسه ملی سند علمی:

JR_JFR-20-2_007

تاریخ نمایه سازی: 20 بهمن 1400

Abstract:

هدف: هدف این پژوهش پیش­بینی روند با روش­های تحلیل تکنیکال پیش­بینی سهام و روش­های هوشمند یادگیری ماشین است و  برای پیش بینی بر روی شاخص کل کار می شود. روش: این پژوهش، شامل مراحلی است که در ادامه می­آید: ابتدا داده­های مورد نیاز جمع­آوری می­شوند سپس به ۲۵ روش تحلیل داده می­شوند، سپس از میان این ۲۵ روش ده روش با اولویت طبق روش­ انتخاب ویژگی کاهش ابعاد، انتخاب می­شوند، خروجی این مرحله به پنج روش هوشمند یادگیری ماشین، ماشین بردار پشتیبان خطی، ماشین بردار پشتیبان کرنل گوسی، درخت تصمیم، نزدیک­ترین K همسایه و نئیو بیز داده می­شود. سپس، برای تصمیم­گیری نهایی از روش رای اکثریت استفاده شده است. یافته‎ها: در نهایت این نتیجه حاصل شد که روش پیشنهادی به­طور متوسط نرخ پیش­بینی صحیح ۹۷ درصد دارد. نتیجه‎گیری: مزایای روش پیشنهادی به این شرح است: روش پیشنهادی در استفاده از روش­های تحلیل تکنیکال  محدودیتی ندارد. روش انتخاب ویژگی بر روی روش­های تحلیل تکنیکال  اعمال شده و روش­های تحلیل تکنیکال با اولویت انتخاب شده­اند.

Keywords:

پیش بینی شاخص کل , تحلیل تکنیکال , روش های هوشمند یادگیری ماشین

Authors

الهام افشاری راد

دانشجوی کارشناسی ارشد، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

سید عنایت اله علوی

استادیار، دانشکده مهندسی،دانشگاه شهید چمران اهواز، اهواز، ایران

حسنعلی سینایی

دانشیار، مدیر گروه مدیریت دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • درودی، دیاکو و ابراهیمی، سید بابک (۱۳۹۵). ارائه روش هیبریدی ...
  • فخاری، حسین. ولیپور خطیر، محمد و موسوی، سیده مائده (۱۳۶۹). ...
  • نبی زاده، احمد؛ قره باغی، هادی و بهزادی، عادل(۱۳۹۶). بهینه ...
  • ReferencesAlavi, S. E., Sinaei, H. & Afsharirad, E. (۲۰۱۵). Predict ...
  • Alpaiden, E. (۲۰۰۴). Introduction to machine learning. First Edition. The ...
  • Chen, K.-Y., & Ho, C.-H. (۲۰۰۵). An improved support vector ...
  • Dorodi, D., & Abrahimi, S. B. (۲۰۱۷). Presenting a new ...
  • Enke, D., Thawornwong, S. (۲۰۰۵). The use of data mining ...
  • Fakhari, H. Valipour Khatir, M. & Mousavi, M. (۲۰۱۷). Investigating ...
  • Hassan, M. R., Nath, B., & Kirley, M. (۲۰۰۷). A ...
  • Hafezi, R., Shahrabi, J., & Hadavandi, E. (۲۰۱۵). A bat-neural ...
  • Kim, E., Kim, W., & Lee, Y. (۲۰۰۳). Combination of ...
  • Kuo, R. J., Chen, C., & Hwang, Y. (۲۰۰۱). An ...
  • Liu, C., Wang, J., Xiao, D., & Liang, Q. (۲۰۱۶). ...
  • Mitchel, T. M. (۱۹۹۷). Machine Learning. First Edition, McGraw Hill ...
  • Nabizade, A., Gharehbaghi, H. & Behzadi, A. (۲۰۱۶).Index Tracking Optimization ...
  • Saad, E. W., Prokhorov, D. V., & Wunsch, D. C. ...
  • Schöneburg, E. (۱۹۹۰). Stock price prediction using neural networks: A ...
  • Tsai, C.-F., Lin, Y.-C., Yen, D. C., & Chen, Y.-M. ...
  • Vapnik, V. (۲۰۱۳). The nature of statistical learning theory: Springer ...
  • Xu, X., Zhou, C., & Wang, Z. (۲۰۰۹). Credit scoring ...
  • Yang, H., Chan, L., & King, I. (۲۰۰۲). Support vector ...
    • نمایش کامل مراجع