یک رویکرد جامع داده کاوی برای پیش بینی شاخص سهام در بورس تهران
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,067
This Paper With 12 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:
شناسه ملی سند علمی:
AEBSCONF01_624
تاریخ نمایه سازی: 6 آبان 1393
Abstract:
بورس اوراق بهادار یکی از اصلی ترین مراکز مالی است که ویژگی بارز آن تولید دائمی داده های مختلف و متنوع مالی است. در این مقاله به ارائه یک روش جامع داده کاوی برای پیشبینی شاخص سهام در بورس تهران پرداختهایم. اساسا شاخص سهام از متغیرهای شناخته شده و حتی ناشناخته بسیار زیادی تاثیر میپذیرد. ابتدا با مرور شاخصهای تعیین کننده در نوسانات شاخص اصلی سهام سعی کردهایم نوع و چگونگی الگوهای تاثیرگذار را استخراج کنیم. ابتدا ساختاری سودمند برای دادههای موجود پیشنهاد دادهایم. سپس برای برای استخراج دانش پهان از روشی مبتنی بر شبکههای عصبی MLP استفاده کردهایم. روش پیشنهادی که شبکه عصبی پرسپترون چندلایه چندبخشی (MSMLP) نامگذاری شده است، باکمک تعدادی از شبکه های MLP به کاوش در فضای پنهان بین مجموعه داده های مختلف پرداخته و برای پیشبینی شاخص اصلی سهام و شاخص سهام گروههای مختلف سرمایه آموزش می بیند. پس از مدلسازی روش پیشنهادی آن را به طور عملی روی مجموعه داده های بورس تهران از تاریخ 90/1/1 الی 92/6/31 در یک بازه زمانی 30 ماهه اجرا کرده ایم. سپس قابلیت آن را برای پیشبینی شاخص اصلی سهام تهران در مهرماه سال 92 مورد سنجش قرار دادهایم. نتایج حاصل از اجرای معماری MSMLP خطای 3.66 درصدی را برای پیشبینی شاخص سهام نشان میدهد.
Keywords:
Authors
محمد کدخدا
هیئت علمی گروه پژوهشی ریاضی و انفورماتیک، جهاد دانشگاهی تربیت مدرس، تهران، ایران
روزبه سری
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، 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 :