رحیم قاسمیه - گروه مدیریت، دانشکده اقتصاد و علوم اجتماعی. دانشگاه شهید چمران اهواز. ایران
حسنعلی سینایی - گروه مدیریت. دانشکده اقتصاد و علوم اجتماعی. دانشگاه شهید چمران اهواز. اهواز. ایران
زهره سعیدی - گروه مدیریت. دانشکده اقتصاد و علوم اجتماعی. دانشگاه شهید چمران اهواز. اهواز. ایران

هدف پژوهش حاضر ارزیابی روش های فرابتکاری جهت پیش بینی رفتار قیمت سهام و معرفی کارآمدترین روش در بازار سهام ایران است. بدلیل عدم اطمینان درزمینه سرمایه گذاری و کثرت متغیرها، سرمایه گذاران به روش پیش بینی روی می-آورند که به واسطه آن ها تخمین هایشان به واقعیت نزدیک و خطایشان کم شود. در این پژوهش، به پیش بینی قیمت سهام ۵ شرکت پذیرفته شده در شاخص فلزات اساسی بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۶ تا ۱۳۹۸ پرداخته شد. بدین منظور متغیرهای بهینه از بین ۹ متغیر اولیه و پرکاربرد با استفاده از روش های انتخاب ویژگی، الگوریتم های فرا ابتکاری شاهین هریس و وال انتخاب و سپس با استفاده از شبکه های عصبی پس انتشار خطا، شبکه عصبی پایه شعاعی و شبکه عصبی با تاخیر زمان به پیش بینی قیمت سهام پرداخته شد. نتایج نشان داد که در پیش بینی قیمت سهام فملی، زنگان، فرآور، فاسمین و فولاد به ترتیب WOATD، HHOTD، HHOTD، HHOTD و HHORBF مدل برتر می باشند که روش تکاملی شاهین هریس در یافتن ویژگی ها نسبت به روش تکاملی وال بهتر عمل کرده است. با توجه به نتایج، مدل HHOTD نسبت به بقیه مدل ها از کارایی بالاتری برخوردار می باشد.

سهام, شبکه عصبی, شاهین هریس, الگوریتم وال