عنوان

ارائه راه حلی برای پیش بینی بازار بورس بر پایه محاسبات گرانولار

‭۱۹۳۵۸پ‬

per

ارائه راه حلی برای پیش بینی بازار بورس بر پایه محاسبات گرانولار

/مجتبی فتحی پور

: شیمی

، ‮‭۱۳۹۶‬

، راشدی

‮‭۸۷‬ص‬

چاپی - الکترونیکی

کارشناسی ارشد

شیمی کاربردی

‮‭۱۳۹۶/۱۱/۱۷‬

تبریز

هدف اصلسی همه مدل های پیش بینی بازارهای مالی و سرمایه، تعیین آینده ی بازار و کاهش ریسک های تصمیم گیری می باشد .در این تحقیق یک شبکه عصبی گرانولاری ‮‭(OGNN)‬ پیشنهاد شده است تا نتایج مدل های پیش بینی در بازار بورس را بهبود دهد .شبکه عصبی گرانولاری معمولی، توانایی پردازش گرانول های مختلف را دارد که هر گرانول می تواند یک کلاسی از اعداد، کلاستری از تصاویر، مجموعه ای از مفاهیم، گروهی از اشیا یا مجموعه ای از داده هخا باشد که این گرانول ورودی و خروجی شبکه گرانولاری را تشکیل می دهند .در این تحقیق گرانول های ورودی) کلاسترهای داده های ورودی شبکه (و گرانول های خروجی) قوانین فازی خروجی شبکه (با استفاده از الگوریتم ‮‭PSO‬ بهینه سازی شده است تا کل مدل در فرآیند پیش بینی بهبود یابد .این مدل پیشنهادی، برای پیش بینی داده های برخی از نمادهای بازار بورس تهران و نیویورک آمریکا پیاده سازی شده است و برای نمایش برتری مدل پیشنهادی ابتدا نتایج تاثیر بهینه سازی گرانول های ورودی و گرانول های خروجی شبکه عصبی گرانولاری و همچنین نوع الگوریتم بهینه سازی فراابتکاری را مورد بررسی قرار داده و سپس مدل پیشنهادی با شبکه عصبی گرانولاری و همچنین با ساییر مدل های پیش بینی بازار بورس در تحقیق های دیگر مقایسه گردید .نتاایج بررسی نشان داد هریک از مراحل بهینه سازی، تاثیر مثبتی در کل مدل داشته و الگوریتم های بهینه سازی ‮‭PSO‬ عملکرد بهتری نسبت به سایر الگوریتم های بهینه سازی مشابه برای این مساله را دارد، در نتیجه کل مدل پیشنهادی در برابر سایر مدل های پیشنهادی نتابج بهتری از خود نشان می دهد

The main purpose of forecasting in financial markets is to estimate future trends and to reduce risks of decision making. This research suggests the optimized granular neural network (OGNN) model to improve prediction accuracy in stock market forecasting. The GNN is capable of processing various granular data (Granules). Granules could be a class of numbers, a cluster of image, a set of concepts, a group of objects, a category of data, etc. These granules are inputs and outputs of GNNs. In this paper, we optimized input granules (clusters of input data) and output granules (rules) of GNN with using of PSO optimization algorithm to improve the model in the forecasting process. So, we implemented the proposed model for predicting on the Tehran and New York stock datasets. To demonstrate the advantages of this model, at first we evaluated the effect of optimization inputs and outputs granules and also some types of optimization algorithm in this model for stock prediction problem. Then we compared our results with a GNN model and some of other stock predictions models introduced in previous researches. The comparative results show that each of the optimization steps has positive impact on the model and the PSO algorithm show better results than other type of optimization algorithms for this problem. As a result, the proposed model offers better results than other prediction models

فتحی پور، مجتبی

نمایه‌سازی قبلی