مقایسه روشهای شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش‌بینی قیمت سهام بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، عضو هیأت علمی دانشگاه محقق اردبیلی

2 دانشجوی کارشناسی ارشد رشته MBA- دانشگاه محقق اردبیلی

3 استادیار مدیریت و اقتصاد دانشگاه محقق اردبیلی.

4 دانشیاز مدیریت و اقتصاد دانشگاه محقق اردبیلی

چکیده

هدف پژوهش حاضر مقایسه قدرت پیش­بینی روش­های شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش‌بینی قیمت سهام بانک‌ها در بورس اوراق بهادار تهران است. دوره پژوهش این پژوهش از سال 1390 تا 1395 است. در این پژوهش، از سیستم منطق فازی به همراه سیستم شبکه عصبی چندلایه با ساختار بهینه‌سازی پس انتشار خطا و ماکزیمم همپوشانی تبدیل موجک گسسته برای متغیرهای نرخ ارز، نفت اوپک، طلا، شاخص کل سهام و همچنین حجم معاملات برای پیش‌بینی قیمت سهام استفاده‌شده است. نتایج حاصل از مدل با استفاده از تابع هزینه بروز رسانی شده انجام‌گرفته است. نتایج پژوهش در مقایسه شبکه عصبی فازی موجک و شبکه عصبی فازی نشان می­دهد که قابلیت اطمینان پیش­بینی قیمت سهام بانک‌ها با شبکه عصبی موجک فازی بالای 90 درصد و با شبکه عصبی فازی بالای 80 درصد است. درنتیجه شبکه عصبی موجک فازی باقابلیت اطمینان بالاتری نسبت به شبکه عصبی فازی عمل می‌کند.

کلیدواژه‌ها


عنوان مقاله [English]

The Comparison of Fuzzy Neural Network Methods with Wavelet Fuzzy Neural Network in Predicting Stock Prices of Banks Accepted in Tehran Stock Exchange

نویسندگان [English]

  • Ghasem Zarei 1
  • Rana Mohamadiyan 2
  • Hatef Nayeri Hazeri 3
  • Mohammad Mashokouh ajirlou 4
1 Assistant Professor, Management, University of Mohaghegh Ardabili .
2 MBA student, university of mohaghegh ardabili
3 assistant professor, management, university of mohaghegh ardabili.
4 Associate Professor, Management, Mohaghegh Ardabili University.
چکیده [English]

The purpose of this study was to compare the predictive power of fuzzy neural network with fuzzy wavelet neural network in predicting stock prices of banks in Tehran Stock Exchange. The period of this research was from 2011 to 2016. In this research, the fuzzy logic system with the use of a multi-layer neural network system with an error-optimized back-propagation optimization structure and a Maximum Overlapping Discrete Wavelet Transform for exchange rate variables, opec oil, each ounce of gold, the total stock index as well as the volume of trades were used in order to predict stock prices.The results of the model were done by using the updated cost function. The results of the research in comparison of fuzzy wavelet network and fuzzy neural network showed that the reliability of banks with fuzzy wavelet neural network is over 90% and with fuzzy neural network above is 80%. As a result, fuzzy wavelet neural network is more reliable than fuzzy neural network

کلیدواژه‌ها [English]

  • Neural Network
  • Fuzzy Logic
  • Wavelet
  • Predict Stock Prices
 

  • احمد خان بیگی، سهیل؛ عبدالوند، ندا (1396). «پیش‌بینی قیمت سهام با رویکرد ترکیبی شبکه عصبی مصنوعی و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب». فصلنامه علمی پژوهشی راهبرد مدیریت مالی، شماره 18: 73-27.
  • امامی میبدی، علی؛ باقری، صباح (1393). «مقایسه‌ی توانایی پیش‌بینی مدل‌های شبکه عصبی مصنوعی، سیستم استنتاج عصبی فازی انطباقی و تبدیل موجک عصبی: قیمت سبد نفت خام اوپک». فصلنامه مطالعات اقتصاد انرژی. سال دهم. شماره 43: 129-154.
  • بمانی، عاطفه؛ هروی، علی؛ نقیبی، سپیده؛ زنده دل، احمد؛ شهسواری، سوده (1394)«پیش‌بینی قیمت سهام بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران بر اساس مدل PCA-NN مقایسه آن با مدل آریما» دومین کنفرانس بین المللی آینده پژوهی، مدیریت و توسعه اقتصادی، دانشگاه تربیت حیدریه، مشهد، ایران.
  • تقی‌زاده مهرجردی، روح الله؛ یزدی، فاضل، علی؛ محبی، رضا (1392). «مدل‌سازی و پیش‌بینی کارایی بانک‌های دولتی و خصوصی ایران با استفاده از مدل‌های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیکـ». فصلنامه علمی- پژوهشی مدیریت دارایی و تأمین مالی، دوره 1. شماره 2: 103-126.
  • جلالیان، سیاوش (1390).«پیش‌بینی قیمت سهام در بازارهای مالی با کمک سیستم‌های خبره تلفیقی منطق فازی»، پایان‌نامه کارشناسی ارشد در رشته مهندسی فناوری اطلاعات، دانشگاه شیراز، شهریورماه
  • حیدری زارع، بهزاد؛ کردلوئی، حمیدرضا (1389). «پیش بیتی قیمت سهام با استفاده از شبکه عصبی مصنوعی». فصلنامه مدیریت، شماره 7، 56-49
  • حیدری، حسن؛ بشیری، سحر (1391). «بررسی رابطه بین نا اطمینانی نرخ واقعی ارز و شاخص قیمت سهام در بورس اوراق بهادار تهران: مشاهداتی بر پایه مدل VAR-GARCH». فصلنامه تحقیقات مدل‌سازی اقتصادی شماره 9: 71-93.
  • حیدری، محمدحسین؛ محمدی، مرتضی؛ معصومی، جواد (1395). «پیش‌بینی قیمت سهام با استفاده از مدل سری زمانی آریما». کنفرانس جهانی مدیریت، اقتصاد حسابداری و علوم انسانی در آغاز هزاره سوم، شیراز، ایران.
  • صمدی، سعید؛ شیرانی فخر، زهره؛ داور زاده، مهتاب (1386). «بررسی میزان اثرپذیری شاخص قیمت سهام بورس اوراق بهادار تهران از قیمت جهانی نفت و طلا (مدل‌سازی و پیش‌بینی)». فصلنامه اقتصاد مقداری، دوره 3، شماره 13: 25-51.
  • غفاری، رسول، تاریخچه هوش مصنوعی، روزنامه اطلاعات، تاریخ 29/7/1389.
  • فدوی، مصطفی؛ صیادنیا، زینب؛ نادی، زینب (1391)«بررسی رابطه بین حجم معاملات سهام و تغییر قیمت سهام در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران». اولین همایش ملی و حسابداری و مدیریت، دانشگاه آزاد اسلامی، نور.
  • فلاح‌پور، سعید؛ علی پور، جواد (1393).«پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران». فصلنامه علمی-پژوهشی راهبرد مدیریت مالی، دوره 2. شماره 4: 31-15.
  • قربانی، هانیه (1395). «بررسی رابطه بین حجم معاملات سهام و نوسانات قیمت سهام در بورس اوراق بهادار تهران». پنجمین کنفرانس بین‌المللی ‌مدیریت و حسابداری و دومین کنفرانس کارآفرینی و نوآوری‌های باز.
 

  • Ahmad Khan Beigi S. Abdolvand N. (2016). Stock price prediction with Artificial Neural Network hybrid approach and colonial competition algorithm based on chaos theory. Journal of Financial Management Strategy, Issue 18: 73-27. (in Persian)
  • Alwadi S. Abdulkareem H. and Alwadi H. (2013) Maximum Overlapping Discrete Wavelet Transform in Forecasting Banking Sector (2013). Applied Mathematical Sciences, Vol. 7, no. 80, 3995 – 4002…. homepage: www.elsevier.com/locate/eswa
  • Aparna Nayak,M, Manohara M. P. and Radhika M. P. (2016). Prediction models for Indian stock market, Procedia Computer Science, 89:441-449
  • Atsalakis G.S. Dimitrakakis E.M. and C.D. Zopounidis (2011). Elliot Wave Theory and neuro-fuzzy systems, stock market prediction: The WASP system. Expert Systems with Applications, vol. 38.9196– 9206
  • Ayodele A. Adebiyi. Aderemi O. Adewumi (2014). Stock Price Prediction Using the ARIMA Model, School of Mathematic, Statistics & Computer Science, 16th International Conference on Computer Modelling and Simulation,105-111
  • Ayoubi S. Rezaei F. (2016). A Study on the Effect of Oil Price Variations on Stock Returns under Environmental Uncertainty (Sales). Bulletin de la Société Royale des Sciences de Liège, Vol. 85, 1080 – 1089.
  • Basak, S. Kar, S. Saha, S. & Khaidem, L. (2018). Predicting the direction of stock market prices using tree-based Classifiers. North American Journal of Economics and Finance. (in press)
  • Bemani, A, Heravi, A. Nagibii S, Zende del A. Shahsavari S. (2015) Estimation of stock prices of accepted banks in Tehran Stock Exchange based on PCA-NN model comparison with Arima model. Second conference Future Studies, Management and Economic Development, Torbat Heydarie university, Mashhad, Iran.(in Persian)
  • Bruno M. H. Vinicius A. S. and Herbet K. (2018). Stock price prediction using support vector regression on daily and up to the minute prices, The Journal of Finance and Data Science, in press.1-5
  • Emami Meybodi A. Bagheri S. (2014). Comparison of predictive ability of artificial neural networks, adaptive fuzzy inductive inference system and neural wavelet transform: OPEC crude oil price. Quarterly Journal of Energy Economics. Tenth year No. 43: 129-154. (in Persian)
  • Fadavi, M, Sayadniya, Z, Nadi, Z (2012).investigating the relationship between volumes of stock trading and stock price changes in companies admitted to Tehran Stock Exchange. The first national conference and accounting and management, Islamic Azad University, Nur, Iran. (in Persian)
  • Fallahpour, S,AliPour, J (2014). Stock Indicator Prognosis Using Wavelet Neural Networks in Tehran Stock Exchange. Ph.D. Financial Management Strategy, Second Year. 31-15(in Persian)
  • Ghaffari, P (2010).History of Artificial Intelligence, Information Newspaper, 2010/10/21 (in Persian)
  • ghorbani, Haniye (2015). Verification of the volatility between stock trading volumes and stock price fluctuations in Tehran Stock Exchange. Fifth International Management and Accounting Conference and the 2nd Open Entrepreneurship and Innovation Conference 1-14. (in Persian)
  • Gorbachenko V. IKuznetsova, O. Yu. Silnov, D. S (2016). Investigation of Neural and Fuzzy Neural Networks for Diagnosis of Endogenous Intoxication Syndrome in Patients with Chronic Renal Failure. International, Journal of Applied Engineering Research, Volume 11 (7): 5156- 5162
  • Heidari, H, Bashiri, S (2012). Investigating the Relation between Uncertainty in Real Exchange Rate and Stock Price Index in Tehran Stock Exchange: Observations Based on the VAR-GARCH Model. Quarterly Journal of Economic Modeling Research No. 9: 71-93. (in Persian)
  • Heidari, M, H. Mohammadi M. Masoumi J (2016). Stock price prediction using the ARIMA time series model. World Conference OF Management, Accounting Economics and Humanities at the Beginning of the Third Millennium, Shiraz, Iran. (in Persian)
  • Heydari Zare, B. Kandlouei, H, R. (2010). Stock price forecast using artificial neural network". Management Quarterly, No. 7. 56-4 (in Persian)
  • Homayouni, N. Amiri, A. (2011). Stock price prediction using a fusion model of wavelet, fuzzy logic and ANN. International Conference on E business,Management and Economics, IPEDR. 227-281
  • Jalalian, S. (2011). The forecast of stock prices in financial markets with the help of fuzzy logic integrated computing systems. Master's thesis in the field of Information Technology Engineering, Shiraz University. (in Persian)
  • Jian-zhou W, Ju-Jie W, zhe- Geroge Z, Shu-Po G (2011), Forecasting Stock Indices with Back Propagation Nerual Network.journal homepage: www.elsevier.com/locate/eswa,14346-14355
  • KangaraniFarahani M. Mehralian S. (2013). Comparison between Artificial Neural Network and Neuro-Fuzzy for Gold Price Prediction. 13th Iranian Conference on Fuzzy Systems (IFSC). 1-6
  • Lijun T. Shiheng W. and Ke W. (2017). Anew adaptive network – based fuzzy inference system with adaptive adjustment rules for stock market volatility forecasting, Information Processing Letters. Vol 127, 23- 36
  • Mohammadi K. Shamshirband, S. Chong W. T. Muhammad A. Dalibor P. and Sudheer C. )2015). A new hybrid support vector machine–wavelet transform approach for estimation of horizontal global solar radiation, Energy Conversion and Management, 92:162-17.
  • Mustafa G. Mehmet Ö. Asli B. and Ayşe T. D. (2016). Integrating metaheuristics and Artificial Neural Networks for improved stock price prediction. Expert Systems with Applications. Vol 44, 320-331.
  • Nandha, M. Faff, R (2008). Does oil move equity prices? A global view, Energy Economics, 30, 986–997.
  • Oskooei, S. A. (2011). Oil price shock and stock and stock market in an oil- exporting country evidence from causality in mean and variance test. International Conference on Applied Economics – ICOAE.
  • Samadi S. Shirani F, Z. Davarzadeh, M (2007). Investigating the Effectiveness of Tehran Stock Exchange Price Index on the World Oil and Gold Price (Modeling and Prediction). Quarterly Journal of Economics, Volume 3, Issue 13: 25-51. (in Persian)
  • Singh. R, Vishal.V, Singh,T. N, and. Ranjith,P.G (2013). A comparative study of generalized regression neural network approach and adaptive neuro-fuzzy inference systems for prediction of unconfined compressive strength of rocks, Neural Computing and Applications, vol. 23, no. 2499–506
  • Taghizadeh Mehrjerdi R. Yazdi A. Mohebbi R. (2013). Modeling and Predicting the Effectiveness of Iranian Public and Private Banks Using Artificial Neural Network, Fuzzy Neural Network and Genetic Algorithms. Quarterly Journal of Asset Management and Financing, First Year. Number 2: 103-126. (in Persian)
  • Tascikaraoglua A. Borhan M. Sanandajia K. P. Pravin V. (2015). Exploiting Sparsity of Interconnections in Spatio-Temporal Wind Speed Forecasting using Wavelet Transform. Applied Energy, 165:735-747.
  • Wang, H. Cao Y. (2015). Predicting power consumption of GPUs with fuzzy wavelet neural networks, Predicting power consumption of GPUs with fuzzy wavelet neural networks, Parallel Computing, Vol 44.18-36
  • Xia M. Liang X. and Han F. (2013). Water quality comprehensive assessment approach based on T-S fuzzy neural network and improved FCM algorithm. Computers and Applied Chemistry,vol. 30, no. 10, 1197–1202.
  • Xiaodong L., Haoran X., Li C., Jianping W. and Xiaotie D. (2014) News impact on stock price return via sentiment analysis, Knowledge-Based Systems, 69:14-23.
  • Zahedi J., Rounaghi M. M. (2015). Application of artificial neural network models and principal component analysis method in predicting stock prices on Tehran Stock Exchange, Physica A, 438, 178-187.
  • Zhang, J., Cui, S. Xu, Y. Li,Q. & Li, T. (2018). A novel data-driven stock price trend prediction system. Expert Systems with Applications 97: 60–69.
  • Zhijia C. Yuanchang Z. Yanqiang D. and Shaochong F. (2015). Self-Adaptive Prediction of Cloud Resource Demands Using Ensemble Model and Subtractive-Fuzzy Clustering Based Fuzzy Neural Network. Computational Intelligence and Neuroscience.1-14