پیش بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیأت علمی گروه حسابداری دانشگاه علامه طباطبائی

2 عضو هیأت علمی گروه مدیریت صنعتی دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی

3 عضو هیأت علمی گروه حسابداری دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی

4 دکتری مدیریت مالی دانشگاه علامه طباطبائی

چکیده

این پژوهش با رویکرد ترکیبی، با به‌کارگیری شبکه عصبی بازگشتی مبتنی بر الگوریتم کلونی زنبورعسل مصنوعی (ABC-RNN)، درصدد ارائه مدلی بهینه برای پیش­بینی قیمت سهام در بورس تهران است. برای این منظور با استفاده از داده‌های سهام پذیرفته‌شده در بازار اول تابلوی اصلی بورس تهران که طی سال­های 1390 تا پایان سال 1394 مورد معامله قرارگرفته است، ضمن تعریف مؤلفه­های تکنیکال و بنیادی متعدد، با به‌کارگیری فرآیند رگرسیون-همبستگی قدم‌به‌قدم (SRCS)، مؤلفه­های مؤثر بر قیمت سهام انتخاب‌شده و به‌عنوان ورودی مدل تعریف می­شود. در مرحله بعد، الگوریتم کلونی زنبورعسل مصنوعی (ABC) در یک فضای طراحی پارامتری، برای بهینه کردن وزن­ها و تورش­های شبکه عصبی بازگشتی بکار گرفته می­شود. برای ارزیابی عملکرد مدل، از چندین معیار برای سهام شرکت­های پذیرفته‌شده در بورس تهران استفاده می­شود. نتایج نشان‌دهنده آن است که استفاده از شبکه عصبی بهینه‌شده با الگوریتم کلونی زنبورعسل مصنوعی، دقت قابل‌ملاحظه‌ای در مقایسه با سایر روش­های پیش­بینی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Stock Prices In Tehran Stock Exchange Using Recurrent Neural Network Optimized by Artificial Bee Colony Algorithm

نویسندگان [English]

  • Jafar Babajani 1
  • Taghva Mohammadreza 2
  • ghasem blue 3
  • Mohsen Abdollahi 4
1 Professor of Accounting, Allameh Tabataba'i University
2 Department of Management and Accounting, Faculty of Industrial Management, Allameh Tabatabai University, Tehran, Iran
3 Department of Management and Accounting, Faculty ofAccounting, Allameh Tabatabai University, Tehran, Iran
4 Ph.D. of Financial Management, Allameh Tabataba'i University. Email: mohsenisu@gmail.com
چکیده [English]

This Research in a hybrid approach, using Recurrent Neural Networks (RNN) based on Artificial Bee Colony algorithm (ABC), is going to provide the optimal model to predict the stock prices in Tehran Stock Exchange. For this purpose, using the stock datafor companies listed in the first market of the Tehran Stock Exchange, traded between 2011 and the end of 2015,after the definition of different technical and fundamental variables, using step by step regression-correlation, factors affecting stock prices in Tehran Stock Exchange were selected as model input is defined. Then the artificial bee colony algorithm in an atmosphere of parametric design, to optimize the weights and biases of recurrent neural network is used. To evaluate the model, several criteria for a given stock of listed companies in Tehran Stock Exchange are used. The results show that the neural network optimized with artificial bee colony algorithm has considerably accuracy, compared to other forecasting methods.

کلیدواژه‌ها [English]

  • Stock price prediction
  • Stepwise regression-correlation (SRCS)
  • Recursive Neural network (RNN)
  • Artificial bee colony algorithm (ABC)
 

-      احمدپور، احمد، اکبر پور شیرازی، محسن و زهرا رضوی امیری.(1388). «استفاده از مدل­های تصمیم­گیری چند شاخصه­ای در انتخاب سهام (شرکت­های دارویی پذیرفته شده در بورس اوراق بهادار تهران)»، فصلنامهبورساوراقبهادارتهران، سال 2، شماره 5، صص 38-5.

-      آذر، عادل و سیروس کریمی .(1388). «پیش­بینی بازده سهام با استفاده از نسبت­های حسابداری با رویکرد شبکه عصبی»، مجلهتحقیقاتمالی، شماره 28، صص 20-3.

-      اکرمی، غلامرضا .(1374). «بررسی نحوه استفاده از فن‌های تجزیه و تحلیل صورت­های مالی و نقش آنها در تصمیم­گیری سرمایه­گذاران»، پایان نامهکارشناسیارشد، دانشگاه تهران.

-      امیری، مقصود، شریعت پناهی، مجید و محمدهادی بناکار .(1389). «انتخاب سبد سهام بهینه با استفاده از تصمیم­گیری چند معیاره»، فصلنامهبورساوراقبهادار، سال3، شماره11، صص 29-21.

-      برادران حسن زاده، رسول، بادآور نهندی، یونس و جواد پور غفار .(1394). «عوامل مؤثر بر انتخاب سهام در بورس اوراق بهادار تهران بر اساس تحلیل سلسله مراتبی»، نشریه سیاست­های مالی و اقتصادی، سال سوم، شماره 11، صص 132-109.

-      بیات، فرشاد .(1393).  الگوریتم‌های بهینه‌سازی فراابتکاری (همراه با کاربردهایی در مهندسی برق)، تهران، انتشارات جهاد دانشگاهی.

-      پاریابی،آزاده و زهرا سالمی .(۱۳۹۵). «پیش بینی قیمت سهام با داده های ترکیبی به روش الگوریتم کلونی زنبورعسل»، اولین کنفرانس ملی اقتصاد مدیریت و حسابداری، اهواز، سازمان صنعت،معدن و تجارت خوزستان.

-      پورحیدری، امید .(1389). «بررسی عوامل تعیین کننده تغییرات قیمت سهام در بورس اوراق بهادار تهران»، نشریه علمی پژوهشی بررسی­هایحسابداریوحسابرسی، دوره 17، شماره 60، صص 40-23.

-      جهانخانی، علی و علی پارسائیان .(1375). بورس و اوراق بهادار، تهران، انتشارات دانشگاه تهران.

-      حامدیان، مهدی .(1379). «بررسی عوامل مؤثر بر قیمت سـهام و تصمیم­گیری سرمایه­گـذاران در بـورس اوراق بهـادار تهـران»، پایان­نامه کارشناسی ارشـد، تهـران، دانـشگاه شـهید بهـشتی، دانشکده علوم اداری.

-      حکیمی‌پور، نادر، علیپور، محمدصادق و یزدان‌خواه منصوره. (۱۳۹۳). «پیش‌بینی تورم با استفاده از رهیافت سری‌های زمانی». مجله‌ی بررسی‌های آمار رسمی ایران. شماره ۲۵ (۱)، صص 45-31.

-      داموداران، آسوات .(1387). ارزشگذاری سهام، مفاهیم و کاربردها، گردآوری شرکت تأمین سرمایه امین، چاپ اول، تهران، انتشارات فرا.

-      دلبری، مهدی .(1380). «بررسی معیارهای موثر بر انتخاب سهام در بورس اوراق بهادار تهران بر اساس مدل فرآیند تحلیل سلسله مراتبی»، پایان نامه کارشناسی ارشد، اصفهان، دانشگاه اصفهان، دانشکده علوم اداری و اقتصاد.

-      راعی، رضا و محمودی آذر، میثم .(1393). «پیش بینی بازده آتی بازار سهام با استفاده از مدل­های آریما، شبکه عصبی و نویززدایی موجک»، فصلنامه علمی- پژوهشی مدیریتداراییوتامینمالی، سال دوم، شماره دوم، صص 16-1.

-      راعی، رضا، محمدی، شاپور و حنظله فندرسکی .(1394). «پیش­بینی شاخص قیمت بورس سهام با استفاده از شبکه عصبی و تبدیل موجک»، فصلنامه علمی-پژوهشی مدیریت دارایی و تأمین مالی، سال سوم، شماره اول، صص 74-55.

-      زارع، بهزاد و حمیدرضا کردلویی .(1389). «پیش­بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی»، فصلنامه مدیریت، سال هفتم، شماره 17ریال صص 56-49.

-      زارعی، قاسم، محمدیان، رعنا، حاضری نیری، هاتف، باشکوه اجیرلو، محمد .(1397). «مقایسه روش­های شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش‌بینی قیمت سهام بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران»، راهبرد مدیریت مالی 6(3)، صص 138-109.

-       سرافراز، ساناز،  صفتی فرید و علیرضا غیاثوند. (1395). «پیش بینی قیمت سهام با شاخص­های بازاری هیبریدی (ترکیبی) با استفاده از مدل عصبی فازی»، کنفرانس بین المللی پژوهش های نوین در مدیریت، اقتصاد و حسابداری.

-    سینایی، حسنعلی و سعید زمانی .(1393). «تصمیم­گیری برای انتخاب سبد سهام؛ مقایسه الگوریتم­های ژنتیک و زنبور عسل»، پژوهشنامهعلمی-پژوهشیمدیریتاجرایی، سال ششم، شماره 11، صص 103-83.

-      شمس، شهاب الدین .(1387). «بررسی زمان مقیاس  مدل قیمت گذاری دارایی سرمایه­ای از طریق تبدیل موجک»، پایان­نامهدکتری، دانشکده مدیریت دانشگاه تهران.

-      طلوعی، عباس و شادی حق دوست .(1387). «مدل­سازی پیش بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روش­های پیش­بینی ریاضی»، فصلنامه علمی-پژوهشی پژوهشنامه اقتصادی، شماره 25، صص 251-237.

-      فرشادفر، عزت اله .(1380). اصول و روش­های پیشرفته آماری (تجزیه رگرسیون)، چاپ اول، کرمانشاه، انتشارات طاق بستان.

-      فرمان آرا، امید و وحید فرمان آرا .(1389). «پیش­بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH»، فصلنامه اقتصاد مالی (اقتصاد مالی و توسعه)، دوره  چهارم، شماره 12، صص 62-45.

-      فلاح پور، سعید، غلامحسین گل ارضی و ناصر فتوره چیان .(1392). «پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایة الگوریتم ژنتیک در بورس اوراق بهادار تهران»، تحقیقات مالی، دوره 15، شماره 2، صص 288-269.

-      قائمی، محمد حسین و سعید طوسی .(1385). «بررسی عوامل مؤثر بر بازده سهام عادی شرکت‌های پذیرفته شده در بورس اوارق بهادار تهران»، نشریه پیام مدیریت، شماره 17و18، صص 175-159.

-      قنبری، رضا .(1389). «بررسی عوامل اقتصادی تأثیر گذار بر سهام شرکت های موجود در بورس تهران»، پایان نامه کارشناسی ارشد، دانشگاه تهران.

-      منجمی، امیر حسن، ابزری، مهدی و علیرضا رعیتی شوازی .(1388). «پیش­بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی»، فصلنامه اقتصاد مقداری، دوره 6، شماره 3، صص 26-1.

-      منهاج، محمد .(1381). مبانی شبکه های عصبی (هوش محاسباتی)، جلد اول، تهران، مرکز نشر دانشگاهی صنعتی امیرکبیر.

-      مهرآرا، محسن، معینی، احراری، علی و مهدی و امیر هامونی .(1388). «الگوسازی و پیش­بینی شاخص بورس اوراق بهادار تهران و تعیین متغیرهای مؤثر بر آن»، فصلنامهپژوهش­هاوسیاست‌هایاقتصادی، سال هفدهم، شماره 50، صص 51-31.

-      مورفی، جان . (1397). تحلیل تکنیکال در بازار سرمایه، ترجمه کامیار فراهانی و رضا قاسمیان لنگرودی، تهران، نشر چالش.

-      A.S. Chen, M.T. Leung, H. Daouk, (2003), Application of neural networks to an emerging financial market: forecasting and trading the Taiwan stock index, Computers and Operations Research, pp. 901-923.

-      Affenzeller M. Winkler S. Beham A.(2009), Genetic algorithm and genetic programming modern concepts and practical applications, Genetic Programming and Evolvable Machines; 11(1), pp. 379-401.

-      Ahmadpour, A. Purshrazi, A. Razavi, M.(2009). The Use of Multiple Attribute Decision making in selecting stock (Tehran Stock Exchange). Journal of Securities Exchange, 2(5), pp. 5-38. (In Persian)

-      Akrami, Gholamreza (1995). "A Study of the Use of Financial Statements Analysis Techniques and Their Role in Investor Decisions", Master's thesis, University of Tehran. (In Persian)

-      Amiri, M. Shariatpanahi, M. Bonakar, M.(2010). Portfolio Selection with Use of Multiple Criteria Decision Making. Journal of Securities Exchange, 3(11), pp. 21-29. (In Persian)

-      Azar, A. Karimi, S. (2011). Neural Network Forecasts of Stock Return Using Accounting Ratios. Financial Research Journal, 11(28), pp.3-20. (In Persian)

-      Baradaran Hadsanzade, R. Badavar, Y. Purghaffar, J. (2016) A Survey of the Effective Variables on Share Selection in Tehran Stock Exchange, on the base of Analytical Hierarchy Process (AHP). 3. 3 (11), pp. 109-132. (In Persian)

-      Bayat, Farshad (2014). Meta-heuristic optimization algorithms (along with applications in electrical engineering), Tehran, Jahad university. (In Persian)

-      Beckwith, j. (2008), Stock Selection in Six Major Non –U.S. Markets. Journal of Investing. 7 (8), pp. 32-47.

-      Cao. Qing, Leggio.B.Kary, Schniederjans. J. Marc (2014), "A comparison between Fama and French's model and artificial neural network in predicting the Chinese stock market", Computers & Operational Research, Vol. 32, pp. 132-157.

-      Chris (2008), "Introductory Econometrics for Finance", Cambridge University Press

-      Damodaran, Aswath (2008). Stock valuation, concepts and uses, collection of Amin Capital Funding Company, First Printing, Tehran, Farah Publications. (In Persian)

-      Delbari, Mehdi (2001). "Investigating the Effective Criteria on Stock Selection in Tehran Stock Exchange Based on the Analytical Hierarchy Process Model", Master's Thesis, Isfahan, University of Isfahan, Faculty of Administrative Sciences and Economics. (In Persian)

-      Edirisinghe, NCP & X Zhang, (2008), Portfolio selection under DEA-based relative financial strength indicators: case of US industries, Journal of the Operational Research Society, 57, pp. 1211-1238.

-      Fallahpour, Saeed, Gholam Hossein Golarzi and Naser Fature Chian (1392). "Prediction of stock price movement by using vector support machine based on Genetic Algorithm in Tehran Stock Exchange", Financial Research, Volume 15, Issue, pp. 269-288. (In Persian)

-      Farshadfar, Ezatollah (2001). Advanced Principles and Methods (Regression Analysis), First Edition, Kermanshah, Tafak Bostan Publications. (In Persian)

-      Farman Ara, Omid and Vahid Farman Ara (2010). "Preventing the Effects of Large Variables on Stock Price Index Using GMDH Neural Network", Quarterly Journal of Financial Economics (Financial and Development Economics), Vol. 4, No. 12. Pp.45-62. (In Persian)

-      Ghaemi, Mohammad Hussein and Sa'id Toosi (2006). "Investigating Factors Affecting the Return on Equity of Private Companies Acquired in Tehran Stock Exchange", Managing Journal No. 17 & 18, pp. 159-175. (In Persian)

-      Ghanbari, Reza (1389). "Investigating Economic Factors Affecting the Shares of Companies in Tehran Stock Exchange", Master's thesis, Tehran University. (In Persian)

-      Hakimipour N, Alipour M, Yazdankhah M. (2014), "Inflation Forecasting Using Time Series Approach", Iranian Journal of Official Statistics Studies, No. 25 (1), pp. 31-45. (In Persian)

-      Hamedian, Mahdi (2000). "Investigating the Factors Affecting Stock Price and Investment Decision Making in Tehran Stock Exchange", Master thesis, Tehran University, Shahid Beheshti University, Faculty of Administrative Sciences. (In Persian)

-      Haykin, S. (1999), Neural networks: a comprehensive foundation, 2nd Ed. Prentice Hall. New Jersey, USA.

-      Haykin, S. (2008), Neural Networks-A Comprehensive Foundation. Prentice Hall, Upper Saddle River.

-      Hu, Hongping, Tang, Li, Zhang, Shuhua, Wang, Haiyan (2018), Predicting the direction of stock markets using optimized neural networks with Google Trends, Neurocomputing, Volume  285,  April, pp. 21-38.

-      Jahankhani, Ali and Ali Parsaeian (1993). Securities and Exchange, Tehran, Tehran University Press. (In Persian)

-      Karaboga D. Akay B.(2009), A comparative Study of Artificial Bee colony algorithm, Mathematics and Computation, pp. 108-132.

-      Karaboga D. Basturk B. (2007),Advances in Soft Computing: Foundations of Fuzzy Logic and Soft Computing, Springer-Verlag; 4529, pp. 31-36.

-      Karaboga, Dervis; Celal Ozturk (2005), A novel clustering approach: Artificial Bee Colony (ABC) algorithm. Applied Soft Computing, 11, pp. 652-657.

-      Kumar, P. Ravi. Ravi, V. (2007), “Bankruptcy prediction in banks and firms via statistical and intelligent techniques—a review”, European Journal of Operational Research, 180, pp. 1-28.

-      Lee. Xia, He. Kaijjian, Lai. King Keung, Zou. Yingchao (2008), Forecasting Crude Oil Price with Multiscale Denoisinf Ensemble Model, Mathematical Problems in Engineering, pp. 114-123.

-      Li, P. (2014), Application of a hybrid quantized Elman neural network in short-term load forecasting. Int. J. Electr. Power Energy Syst. 55, pp. 749-759.

-      Mandic, D. (2011), Recurrent Neural Networks for Prediction. Wiley, Chichester.

-      Manhaj, Muhammad (2002). Fundamentals of Neural Networks (Computational Intelligence), Volume I, Tehran, Amir Kabir University of Technology. (In Persian)

-      Mehrara M, Moeini A, Ahrari M, Hamony A. Modeling stock market prices based on GMDH Neural Network: a case study for Iran. 3. 2009; 17 (50), pp. 31-35. (In Persian)

-      Moghaddam, Amin, HedayatiMoghaddam, Moein, Esfandyari, Morteza (2016), Stock market index prediction using artificial neural network, Journal of Economics, Finance and Administrative Science, Volume 21, Issue 41, December.

-      Monadjemi, S. Abzari, M., Rayati Shavazi, A. (2009). Modeling of Stock Price Forecasting in Stock Exchange Market, using Fuzzy Neural Networks and Genetic Algorithms. , 6(22), pp. 1-26. (In Persian)

-      Murphy, John. (2018). Technical Analysis in the Capital Market, Translated by Kamyar Farahani and Reza Ghasemian Langroudi, Tehran, Chalesh.Pub. (In Persian)

-      P.C. Chang, Y.W. Wang, W.N. Yang (2004), An investigation of the hybrid forecasting models for stock price variation in Taiwan, Journal of the Chinese Institute of Industrial Engineers, pp. 358-368.

-      Paryabi, Azadeh and Zahra Salemi. (2016). "Projection of stock prices with combined data using the colony honeycomb algorithm", First National Conference on Management and Accounting Economics, Ahvaz, Khuzestan Industry, Mine & Trade Organization. (In Persian)

-      Pham D.T. Ghanbarzadeh A. Koç E. Otri S. Rahim S. Zaidi M. (2006), The Bees Algorithm – A Novel Tool for Complex Optimization Problems, Proceedings of IPROMS Conference.

-      Pourheydari, O. (2010). The Relationship between Accounting Variables and Stock Price Movements in Tehran Stock Exchange (TSE). Journal of Accounting and Auditing Review, 17(2), pp. 23-40. (In Persian)

-      Raei, R. Mohammadi, S. Fendereski, H. (2015). Forecasting Stock Index with Neural Network and Wavelet Transform. Asset Management and Financing, 3(1), pp. 1-16. (In Persian)

-      Ramsey. James B, Lampart. Camille (1998), "The decomposition of economic relationships by time scale using wavelet: Expenditure and income", Studies in nonlinear dynamics and econometrics, Vol. 3, pp. 1147-1163.

-      Refenes, A. A. Zapranis & G. Frandis. (1994), Stock Performance Modeling Using Neural Networks (A Comparative Study With Regression Models), Neural Networks, 7(2), pp. 375-388.

-      Sarafraz, Sanaz, Sefati Farid and Alireza Ghiasvand. (2016). "Predicting stock prices with hybrid market indices using a fuzzy neural model", International Conference on Modern Research in Management, Economics and Accounting. (In Persian)

-      Shah, Habib;  Rozaida Ghazali, Nazri Mohd Nawi (2011),; Using Artificial Bee Colony Algorithm for MLP Training on Earthquake Time Series Data Prediction, Journal of Computing, 3, pp. 135-142.

-      Shah, Habib & Tairan, Nasser & Garg, Harish & Ghazali, Rozaida (2018). A Quick Gbest Guided Artificial Bee Colony Algorithm for Stock Market Prices Prediction, Symmetry 2018, pp.4-15.

-      Shams, Shahabuddin (2008). "The Time Scale of the Capital Asset Pricing Model by Wavelet Transformation", PhD thesis, Faculty of Management, University of Tehran. (In Persian)

-      Sinai, Hassan Ali and Saeed Zamani. (1393). "Decision making for portfolio selection; Comparison of Genetic Algorithms and Honey Bees", Scientific-Research Journal of Executive Management, Year 6, Number11, pp. 83-103. (In Persian)

-      Toloui, Abbas and Shadi, right. (2008). "Modeling Stock Price Prediction Using Neural Network and Its Comparison with Mathematical Forecasting Methods", Journal of Economic Research, Volume 7, Issue 25, Spring 2007, pp. 251-237. (In Persian)

-      Wang, J. Z. & J. J. Wang (2011), "Forecasting stock indices with back propagation neural network", Expert Systems with Applications, Vol. 38, No. 10, pp. 473-480.

-      Wei-Chang Yeh, Tsung-Jung Hsieh, Hsiao-Fen Hsiao, Wei-Chang Yeh (2011), Forecasting stock markets using wavelet transforms and recurrent neural networks: An integrated system based on artificial bee colony algorithm, Applied Soft Computing 11, pp. 2510-2525

-      Xiangang Li, Xihong Wu (2015), Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition.

-      Yang X.S. (2005), Engineering Optimizations via Nature-Inspired Virtual Bee Algorithms, Springer-Verlag, pp. 3562-3580.

-      Yim, J. A. (2002), Comparison of Neural Networks with Thme Series Models for Forecasting Returns on a Stock Market. LectureNotes in Computer Science, Berlin: Springer, pp. 113-140.

-      Zare, Behzad and Hamid Reza Cordluie (2010). "Prediction of Stock Price Using Artificial Neural Network", Management Quarterly, Seventh Year, No. 17, pp. 49-56. (In Persian)

-      zarei, G. mohamadiyan, R. hazeri, H. bashokouh ajirlou, M. (2018). The Comparison of Fuzzy Neural Network Methods with Wavelet Fuzzy Neural Network in Predicting Stock Prices of Banks Accepted in Tehran Stock Exchange. Financial Management Strategy, 6(3), pp. 109-138. (In Persian)

-      Zeng, Shouzhen & Chen, Shyi-Ming & Teng, Mario Orlando, (2019), Fuzzy forecasting based on linear combinations of independent variables, subtractive clustering algorithm and artificial bee colony algorithm, Information Sciences, pp. 350-366.

-      Zhang. Guoqiang, Patuwo. B. Eddy, Y. Hu. Michael (1998), "Forecasting with artificial neural networks: The state of the art", International Journal of Forecasting,Vol. 14, pp. 35-62.