پیش بینی بازار سهام با استفاده از الگوریتم بهینه سازی ملخ بهبود یافته و الگوریتم های سری زمانی

پیش بینی بازار سهام به عنوان یک زمینه جذاب و همچنین چالش برانگیز برای سرمایه گذاران در بازارهای مالی عمل می کند. بسیاری از مدل های مورد استفاده در پیش بینی بازار سهام قادر به پیش بینی دقیق نیستند یا این مدل ها نیاز به تعداد داده ورودی بسیار زیادی دارند که باعث افزایش حجم شبکه ها و پیچیدگی یادگیری می شود که همه این موارد در نهایت موجب کاهش دقت در پیش بینی می شود. این مقاله یک روش برای پیش بینی بازار سهام را پیشنهاد می دهد که این روش قادر هست به طور موثر وضعیت بازار سهام را پیش بینی کند. در این مقاله، برای کاهش حجم داده های ورودی از قیمت گذشته بازار استفاده شده و این داده ها در یک مدل رگریسور قرار داده شده است. در این حالت، با ارایه یک روش مبتنی بر الگوریتم بهینه سازی ملخ بهبود یافته، تعیین می شود که داده های فعلی بازار بورس به کدام داده های قبلی وابسته هستند و با استفاده از داده های قبلی می توان داده جدید را پیش بینی کرد. برای پیش بینی سری زمانی نیز از روش های شبکه عصبی GMDH، شبکه نروفازی و شبکه عصبی استفاده شده است؛ به علاوه، در این مقاله از روش های متناسب سازی داده ها با استفاده از الگوریتم های مختلف استفاده شده است که این روش ها می توانند در پیش بینی بازار موثر باشند. در نهایت، از مجموعه داده شرکت تسلا برای اعتبارسنجی و تست الگوریتم های ارایه شده استفاده شده است و نتایج شبیه سازی در پایان آمده است. همانطور که در قسمت شبیه سازی نشان داده شده، با استفاده از الگوریتم بهینه سازی ملخ بهبود یافته، موثرترین خروجی ها برای پیش بینی ارزش سهام به دست آمده و در نهایت با استفاده از چند حالت مختلف پیش بینی انجام شده و نتایج روش های مختلف مورد مقایسه قرار گرفته و ارزیابی بر اساس معیار خطای میانگین مربع (RMSE) انجام شده است. مدل پیشنهادی پیش بینی بازار سهام دارای حداقل RMSE=۴.۰۵ است که نشان دهنده اثربخشی روش پیشنهادی در پیش بینی بازار سهام است. نتایج نشان می دهد که در بین الگوریتم های ارایه شده مربوط به پیش بینی سری زمانی، شبکه GMDH با الگوریتم ترکیبی ارایه شده، بهترین نتیجه را در بر داشته است.

Keywords:

پیش بینی , الگوریتم بهینه سازی ملخ بهبود یافته , شبکه عصبی GMDH , پیش بینی , مدل سازی