تعداد نشریات | 41 |
تعداد شمارهها | 1,112 |
تعداد مقالات | 9,521 |
تعداد مشاهده مقاله | 17,166,799 |
تعداد دریافت فایل اصل مقاله | 12,020,434 |
پیش بینی قیمت سهام شرکت های بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی | ||
فصلنامه پژوهشهای نوین درحسابداری | ||
مقاله 4، دوره 2، شماره 4 (تابستان 93)، مرداد 1393، صفحه 45-57 اصل مقاله (853.01 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
ابراهیم رجب پور* 1؛ محمدرضا تقوا2؛ محمدعلی حسین زاده یزدی3؛ سارا بابااحمدی4 | ||
1دانشجوی دکتری مدیریت منابع انسانی دانشگاه تهران | ||
2استادیار و عضو هیأت علمی دانشگاه علامه طباطبایی تهران | ||
3کارشناس ارشد مدیریت فناوری اطلاعات دانشگاه علامه طباطبایی تهران | ||
4کارشناس ارشد مدیریت فناوری اطلاعات دانشگاه الزهرا (س) تهران | ||
چکیده | ||
پیشبینی تغییر قیمت سهام به عنوان یک فعالیت چالشانگیز در پیشبینی سریهای زمانی مالی در نظر گرفته میشود. یک پیشبینی صحیح از تغییر قیمت سهام میتواند سود زیادی را برای سرمایهگذاران به بار آورد. با توجه به پیچیدگی دادههای بازار بورس، توسعه مدلهای کارآمد برای پیشبینی بسیار دشوار است. در این پژوهش، مدلی برای پیشبینی قیمت سهام شرکتهای بورس اوراق بهادار تهران با بکارگیری دادههای درونزا و برونزای شرکت توسط شبکههای عصبی مصنوعی (پرسپترون چندلایه) ارائه شده است. همچنین مطالعه حاضر درصدد نشان دادن توانایی قابلقبول، شبکههای عصبی مصنوعی، خصوصاً شبکههای پس انتشار با الگوریتمهای توسعهیافته، به منظور پیشبینی قیمت سهام شرکتها است. علاوه بر این موضوع، با توجه به استفاده از دادههای کلان اقتصادی مثل نرخ تورم، قیمت ارز، شاخصهای کلان بورس اوراق بهادار و قیمت طلا همراه با دادههای درونی شرکت (نسبتهای مالی و اطلاعات سهام) در مدل پیشنهادی، این پژوهش نتایجی با قابلیت اتکای بیشتر نسبت به پژوهشهای مشابه، ارائه شده است. نتایج این تحقیق نشان میدهد که معماری 3 لایه با 8 نورون در لایه اول، 4 نورون در لایه دوم و 2 خروجی و معماری 2 لایه با 12 نورون در لایه اول و 2 خروجی مدلهای مناسبی میباشند. | ||
کلیدواژهها | ||
شبکه های عصبی مصنوعی؛ پرسپترون چند لایه؛ شبکه پس انتشار خطا؛ بورس اوراق بهادار؛ بازدهی سهام | ||
عنوان مقاله [English] | ||
Predicting the Stock Price of Companies in Tehran Stock Exchange Using Artificial Neural Networks | ||
نویسندگان [English] | ||
Ebrahim Rajabpour1؛ Mohammad Reza Taghva2؛ Mohammad Ali Hossienzadeh Yazdi3؛ Sara Baba Ahmadi4 | ||
1PhD student in Human Resource Management University of Tehran | ||
2Faculty of Management & Accounting Allameh Tabataba’i University of Tehran | ||
3M.A. Social science & Economics Allameh Tabataba’i University of Tehran | ||
4M.A. Social science & Economics Al-zahra University of Tehran | ||
چکیده [English] | ||
Forecasting changes of stock price on financial markets has been one of the biggest challenges in forecasting financial time series. A reliable forecast of changes in stock price can be extremely profitable to stockholders. Due to the intrinsic complexity of financial data in stock market, developing a practical model for forecasting fluctuations in stock price is challenging. This paper represents a model for stock price prediction for the firms in Tehran Stock Exchange by using internal and external data of the firm based on artificial neural networks (Perceptron multi - layers). This paper also demonstrates the ability of artificial neural networks particularly with structured back propagation patterns to predict stock prices in firms. Furthermore by using macro - economic data such as rate of inflation, foreign currency exchange rate, Tehran stock exchange macro indexes and gold price besides internal data of the firm (financial ratio and stock information) in this model, results prove to be reliable than other similar studies in this field. Results show that network architecture of 3 layers and 8 neurons in the first layer, 4 neurons in the second layer and 2 output and a 2 layer architecture with 12 neuron in the first layer and 2 output are suitable models. | ||
کلیدواژهها [English] | ||
Artificial Neural Networks, Perceptron multi-layers, Back-propagation network, Stock Exchange, Stock Returns | ||
مراجع | ||
آذر، عادل و افسر، امیر (1385). "مدلسازی پیشبینی قیمت سهام با رویکرد شبکههای عصبی فازی". پژوهش نامه بازرگانی، شماره 40.##آذر، عادل و رجب زاده، علی (1383). "ارزیابی روشهای پیش بینی ترکیبی: با رویکرد شبکههای عصبی ـ کلاسیک در حوزه اقتصاد". فصلنامه تحقیقات اقتصادی، شماره 63.##البرزی، محمود؛ یعقوب نژاد، احمد و مقصود، حسین (1387). "کاربرد شبکههای عصبی مصنوعی در پیشبینی شاخص بازده نقدی و قیمت سهام". فصلنامه مطالعات تجربی حسابداری مالی، شماره 22.##بیل، آر و جکسون، تی (1386). "آشنایی با شبکههای عصبی"، ترجمه البرزی محمود، تهران: موسسه انتشارات علمی دانشگاه صنعتی شریف.##راعی، رضا و فلاح پور، سعید (1383). "پیشبینی درماندگی مالی شرکتها با استفاده از شبکههای عصبی مصنوعی". دوفصلنامه تحقیقات مالی، شماره 17.##سرمد، زهره؛ بازرگان، عباس و حجازی، الهه (1388). "روشهای تحقیق در علوم رفتاری" (چاپ هفدهم). تهران: آگاه.##فاست، لوران (1388). "مبانی شبکههای عصبی مصنوعی: ساختارها، الگوریتم ها و کاربردها". ترجمه ویسی هادی، مفاخری کبری و شورکی سعید باقری، تهران: نشر نص.##قاسمی، عبدالرسول؛ اسدپور، حسن و شاصادقی، مختار (1379). "کاربرد شبکه عصبی در پیشبینی سریهای زمانی و مقایسه آن با مدل "ARIMA. پژوهش نامه بازرگانی، شماره 14.##کیا، مصطفی (1389). "شبکه های عصبی در Matlab"، (چاپ سوم). تهران: کیان رایانه سبز.##منهاج، محمد باقر (1389). "مبانی شبکههای عصبی مصنوعی"، تهران: دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران). ##مهدوی، غلامحسین و بهمنش، محمدرضا (1386). "بررسی جایگاه شرکتهای سرمایهگذاری در بازار سرمایه (با تأکید بر صندوقهای سرمایهگذاری)". فصلنامه دانش و پژوهش حسابداری، شماره 10.##کریمی، فرزاد؛ سعادتفر، نصراله؛ سالمی نجف آبادی، مهدی (1393). "پیشبینی بازده فرصتهای سرمایهگذاری در بازارهای مالی ایران با توجه به رفتار متقابل بازارها و تشکیل سبد بهینه سرمایهگذاری به وسیله هوش مصنوعی". مجله مدیریت دارایی و تأمین مالی. سال دوم، شماره 4.## Avci, E. (2007). "Forecasting daily and sessional returns of the ISE-100 index with neural network models". Journal of Dogus University, 8(2).##Bodyanskiy, Y., & Popov, S. (2006). "Neural network approach toforecasting of quasiperiodic financial time series". European Journal ofOperational Research, 175(3).##Chapados, N., & Bengio, Y. (2001). "Cost functions and model combination for VaR-based asset allocation using neural network". IEEE Transaction on Neural Networks, 12.##Chen, A. S., Leung, M. T., Daouk, H. (2003). "Application of neural networks to anemerging financial market: Forecasting and trading the Taiwan Stock Index". Computers & Operations Research, 30(6).##Diamond, P. A. (1967). "The Role of a Stock Market in a General Equilibrium Model with Technological Uncertainty". American Economic Review, 57 (4).##Datar, N. V., & R., R. (1998). "Liquidity and stock returns: an alternative test". Journal of Financial Markets, 1 (1).##Dropsy, Vincent (1996). "Do macroeconomic factors help in predictinginternational equity risk premia?". Journal of Applied Business Research,12.##Eakins, Stanley G., & Stansell, Stanley R. (2003). "Can value-based stock selection criteria yield superior risk-adjusted returns: An applicationof neural networks". International Review of Financial Analysis, 12.##Egeli, B., Ozturan, M., & Badur, B. (2003). "Stock market prediction using artificialneural networks". In Proceedings of the third Hawaii international conference onbusiness, Honolulu, Hawai.##Ellis, Craig, & Wilson, Patrick J. (2005). "Can a neural network propertyportfolio selection process outperform the property market?". Journal ofReal Estate Portfolio Management, 11.##Kara, Y., Boyacioglu, M.A., Baykan, O.K. (2011). "Predicting direction of stock price index movement using artificial neuralnetworks and support vector machines: The sample of the Istanbul Stock Exchange". Expert Systems with Applications, 38.##Kim, K., & Han, I. (2000). "Genetic algorithms approach to feature discretization inartificial neural networks for the prediction of stock price index". Expert Systems with Applications, 19.##Kim, S. H., & Chun, S. H. (1998).Graded forecasting using an array of bipolarpredictions: Application of probabilistic neural networks to a stock market index. International Journal of Forecasting, 14.##Kimoto, T., Asakawa, K., Yoda, M., & Takeoka, M. (1990). "Stock market predictionsystem with modular neural networks". In Proceedings of the international jointconference on neural networks, San Diego, California.##Ko, P.C., & Lin, P.C. (2006). "An evolution-based approach with modularized evaluations to forecast financial distress". Knowledge Based Systems, 19.##Ko, P.C., Lin, P.C. (2008). "Resource allocation neural network in portfolio selection". Expert Systems with Applications, 35.##Lam, M. (2004). "Neural network techniques for financial performance prediction: integrating fundamental and technical analysis". Decision Support Systems, 37.##Leung, M. T., Daouk, H., & Chen, A. S. (2000). "Forecasting stock indices: A comparison of classification and level estimation models". International Journal of Forecasting, 16.##Majhi, R., Panda, G., Sahoo, G. (2009). "Efficient prediction of exchange rates with low complexityartificial neural network models". Expert Systems with Applications, 36.##Manish, K., & Thenmozhi, M. (2005). "Forecasting stock index movement: A comparison of support vector machines and random forest". In Proceedings of ninth Indian institute of capital markets conference, Mumbai, India.http://ssrn.com/abstract=876544.## Mostafa, M.M. (2010). "Forecasting stock exchange movements using neural networks: Empirical evidence from Kuwait". Expert Systems with Applications, 37.##Olson, D., & Mossman, C. (2003). "Neural network forecasts of Canadian stock return using accounting ratios". International Journal of Forecasting, 19(3).##Smith, G. (2007). "Random walks in Middle Eastern stock markets". Applied Financial Economics, 17.##Tan, T.Z., Quek, C., & See, Ng. G. (2007). "Biological brain - inspired genetic complementary learning for stock market and bank failure prediction". Computational Intelligence, 23(2).##Taskaya-Temizel, T., & Casey, M.C. (2005). "A comparative study of autoregressive neural network hybrids". Neural Networks. 18.## | ||
آمار تعداد مشاهده مقاله: 4,181 تعداد دریافت فایل اصل مقاله: 2,746 |