کاربرد الگوریتمهای مختلف یادگیری در پیشبینی قیمت سهام با استفاده از شبکه عصبی

Abstract

پیشبینی قیمت سهام یکی از موضوعهای مهم مالی است، چرا که دادههای قیمت سهام دارای تغییر پذیری زیاد، پیچیدگی، دینامیک و آشوبگونه است،<br />بنابراین ارتباط نامشخص بین قیمت سهام و عوامل مؤثر کاملا پویا است. بنابراین مسأله پیشبینی قیمت سهام تنها بوسیله یک برنامه کامپیوتری کار<br />دشواری است.<br />در این تحقیق، ابتدا بوسیله آزمون گردش، امکان پیشبینی قیمت سهام شرکت صنایع ملی مس ایران بررسی گردید. سپس رابطه همبستگی هشت<br />برای پیشبینی یک روز بعد قیمت سهام با الگوریتم یادگیری لونبرگ- MLP متغیر بنیادی و فنی مورد بررسی قرارگرفت. سپس از شبکهی عصبی<br />0/ استاندارد آموزش داده شد که نرخ یادگیری 3 BP 6 با الگوریتم -5- یعنی 1 MLP مارکوارت استفاده شد. پس از آن ساختار بهینه شبکه عصبی<br />استاندارد به مینیممهای محلی محاسبه گردید و در آخر برای رهایی از BP بهترین عملکرد را داشته است و برای این نرخ یادگیری حساسیت الگوریتم<br />استاندارد همراه با مومنتم استفاده شده است. نتایج بدست آمده نشان داد که پیشبینی بوسیله BP این حساسیت به مینیممهای محلی از الگوریتم<br />استاندارد می باشد. BP استاندارد همراه با مومنتم بهتر از BP الگوریتم