بررسی عملکرد شبکۀ عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‎های کلاسیک در پیش‎بینی قیمت سهام شرکت‎های سرمایه‎گذاری

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار گروه حسابداری، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران

2 استادیار گروه مدیریت صنعتی، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، ایران

3 کارشناس ارشد حسابداری،، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، ایران

چکیده

پیش‌بینی دقیق قیمت سهام، با توجه به نوسان‎های زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه‌های اصلی سرمایه‎گذاران و تحلیل‎گران مالی است، از این رو به‎کارگیری رویکردهای نوین پیش‌بینی قیمت سهام ضرورت اجتناب‎ناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسۀ عملکرد مدل‌های پیش‎بینی شبکۀ عصبی با مدل‌های کلاسیک و معرفی مدل مناسب برای پیش‌بینی قیمت روز آتی سهام است. برای طراحی مدل‌ پیش‌بینی با شبکۀ عصبی، از داده‌های قیمت روزانۀ بازار و شاخص‌های تکنیکی مالی به‎عنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده‌های قیمت بسته‎شدن روزانه به‎عنوان متغیر ورودی و همچنین قیمت بسته‎شدن روز آتی به‎عنوان متغیر خروجی هر دو مدل در دورۀ زمانی 1390 تا 1393 در نظر گرفته شد. نتایج به‎دست آمده با شبکۀ عصبی بیزین بیان‎کنندۀ خطای کمتر و قدرت پیش‎بینی بیشتر آن در مقایسه با مدل آریما است. یافته‌های تحقیق گویای کارایی بیشتر شبکۀ عصبی بیزین در استفاده از فرصت‌های سرمایه‌گذاری کوتاه‎مدت بازار است که می‌تواند به سرمایه‌گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigating Performance of Bayesian and Levenberg-Marquardt Neural Network in Comparison Classical Models in Stock Price Forecasting

نویسندگان [English]

  • Hossein Fakhari 1
  • Mohammad Valipour Khatir 2
  • Maedeh Mousavi 3
1 Associate Prof. of Accounting, University of Mazandaran, Mazandaran, Iran
2 Assistant Prof. in Industrial Management, University of Mazandaran, Mazandaran, Iran
3 MSc. in Accounting, University of Mazandaran, Mazandaran, Iran
چکیده [English]

Accurate forecasting of stock prices according to high volatility and inherent risk of stock market is a major concern of investors and financial analysts, hence applying novel approaches to predict the stock priceisan inevitable necessity. Accordingly, the purpose of this research is to compare the performance of forecasting models such as neural network with classical model and introducing appropriate model to forecast tomorrow stock price. The daily market prices data and financial indicator have been used as input variables for designing neural network model and daily closing price data set as input variable for designing ARIMA and also tomorrow's closing price is considered as output variable from 2011to2014. The results show that the Bayesian neural network represents less error sand higher Predictive power than the ARIMA model. The findings indicate the efficiency of Bayesian neural network incapture short-term investment opportunities and also can help investors to choose the appropriate portfolio and to obtain more returns.

کلیدواژه‌ها [English]

  • Autoregressive Integrated Moving Average (ARIMA)
  • Bayesian learning function
  • Levenberg-Marquardt learning function
  • neural network
  • Predicting stock prices

مراجع

آذر، ع.؛ کریمی، س. (1389). پیش‌بینی بازده سهام با استفاده از نسبت‎های حسابداری با رویکرد شبکه‌های عصبی. فصلنامۀ تحقیقات مالی، 11(28)، 20-3.
رمضانیان، م. ر.؛ رمضان‎پور، ا.؛ پوربخش، س. ح. (1390)، رویکردهای جدید در پیش بینی با استفاده از شبکه‎های عصبی ـ فازی: قیمت نفت. پژوهش‎های مدیریت در ایران، 15(3)، 168-149.
حنفی‎زاده، پ.؛ جعفری، ا. (1389). مدل ترکیبی شبکه‎های عصبی مصنوعی پیش خور و خودسازمانده کوهونن برای پیش‎بینی قیمت سهام. مطالعات مدیریت صنعتی، 8(19)، 187-165.
شمس، ش.؛ ناجی زواره، م. (1394). بررسی مقایسه‌ای بین مدل ترکیبی سیستم ژنتیک فازی ـ عصبی خودسازمانده و مدل خطی در پیش‌بینی قیمت توافقی قراردادهای آتی سکۀ طلا. فصلنامۀ تحقیقات مالی، 17(2)، 239-258.
گرشاسبی، ع. (1389). بررسی مقایسه‎ای عوامل پیش‎بینی‎کنندۀ بازده سهام در بورس اوراق بهادار تهران و بورس اوراق بهادار نیویورک با رویکرد شبکۀ عصبی و رگرسیون خطی. پایان‎نامۀ کارشناسی ارشد. دانشگاه مازندران.
محمد علی‎زاده، آ.؛ راعی، ر.؛ محمدی، ش. (1394). پیش‎بینی سقوط بازار سهام با استفاده از شبکه‎های عصبی نگاشت خود سازمان‎ده. فصلنامۀ علمی ـ پژوهشی تحقیقات مالی، 17(1)، 178-159.
نمازی، م.؛ کیامهر، م. م. (1387). پیش‌بینی بازده روزانۀ سهام شرکت‎های پذیرفته‎ شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی. تحقیقات مالی، 3(9)، 134-115.
Asadi, S., Hadavandi, E., Mehmanpazir, F. & Nakhostin, M. M. (2012). Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction. Knowledge-Based Systems, 35, 245-258.
Assaf, N. A. (2011). Mercado financeiro. (10th ed.). So Paulo: Editora Atlas.
Azar, A. & Karimi, S. (2010). Neural Network Forecasts of Stock Return Using Accounting Ratios. Journal of financial research, 11(28), 3-20. (in Persian)
Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting. springer.
Chen, M. Y. & Chen, B. T. (2015). A hybrid fuzzy time series model based on granular computing for stock price forecasting. Information Sciences, 294, 227-241.
Chester, M. (1993). Neural networks: a tutorial. Prentice-Hall, Inc.
Dash, R. & Dash, P. (2016). Efficient stock price prediction using a Self Evolving Recurrent Neuro-Fuzzy Inference System optimized through a Modified technique. Expert Systems with Applications, 52, 75-90.
Garshasbi, A. (2010). A comparative study of stock returns predictors in Tehran Stock Exchange and New York Stock Exchange using neural network approach and linear regression. Master Thesis, University of Mazandaran.
(in Persian)
Hanafizade, P. & Jafari, A. (2010). The hybrid model of feed forward and kohonen’s self organizing artificial neural networks in predicting the stock price. Journal of Industrial Management Studies, 8(19), 165-187. (in Persian)
Hykin, S. (1999). Neural Networks: A Comprehensive Foundation. Printice-Hall, Inc., New Jersey.
Khashei, M. & Bijari, M. (2010). An artificial neural network model for timeseries forecasting. Expert Systems with Applications, 37(1), 479-489.
Li, X., Xie, H., Wang, R., Cai, Y., Cao, J., Wang, F. ..., & Deng, X. (2016). Empirical analysis: stock market prediction via extreme learning machine. Neural Computing and Applications, 27(1), 67-78.
Mohammad Alizadeh, A., Raie, R., Mohammadi, Sh. (2016). Prediction of stock market crash using self-organizing maps. Journal of financial research, 17(1), 159-178. (in Persian)
Monadjemi, S. A., Abzari, M. & Rayati Shavazi, A. (2009). Modeling of stock price forecasting in stock exchange market using fuzzy neural networks and genetic algorithms. Journal of Quantitative Economics, 6(22), 1-26.
Mostafa, M. M. (2010). Forecasting stock exchange movements using neural networks: Empirical evidence from Kuwait. Expert Systems with Applications, 37(9), 6302-6309.
Murat, Y. S. & Ceylan, H. (2006). Use of artificial neural networks for transport energy demand modeling. Energy Policy, 34(17), 3165-3172.
Namazi, M. & Kiamehr, M. M. (2008). Predicting Daily Stock Returns of Companies listed in Tehran Stock Exchange Using Artificial Neural Networks. Journal of financial research, 9(3), 115-134. (in Persian)
Patel, J., Shah, S., Thakkar, P. & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268.
Ramezanian, M. R., Ramezanpour, E., & Pourbakhsh, S. H. (2011). New Approaches in Forecasting Using Neuro-Fuzzy Networks (Case Study: The Crude Oil Price). Journal of management research in Iran, 15(3), 149-168. (in Persian)
Ramnath, S., Rock, S. & Shane, P. (2008). The financial analyst forecasting literature: A taxonomy with suggestions for further research. International Journal of Forecasting, 24(1), 34-75.
Rather, A. M., Agarwal, A. & Sastry, V. N. (2015). Recurrent neural network and a hybrid model for prediction of stock returns. Expert Systems with Applications, 42(6), 3234-3241.
Saeidi, A. & Aghaei, A. (2009). Predicting Financial Distress of firms Listed in Tehran Stock Exchange Using Bayesian networks. Journal of Accounting And Auditing Review, 16 (56), 59-78.
Şenol, D. & Özturan, M. (2010). Stock Price Direction Prediction Using Artificial Neural Network Approach: The Case of Turkey. Journal of artificial Intelligence, 3, 261-268.
Shams, Sh., NajiZavareh, M. (2016). Comparison between the Hybrid Model of Genetic Fuzzy and Self Organizing Systems and Linear Model to Predict the Price of Gold Coin Futures Contracts. Journal of financial research, 17(2), 239-258. (in Persian)
Sözen, A. & Arcaklioğlu, E. (2007). Prospects for future projections of the basic energy sources in Turkey. Energy Sources, Part B, 2(2), 183-201.
Ticknor, J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40(14), 5501-5506.
Van Eyden, R. J. (1996). The Application of Neural Networks in the Forecasting of Share Prices (Finance and Technology Publishing, Haymarket, VA.
Wei, L. Y. (2016). A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting. Applied Soft Computing, 42, 368-376.
 
تحقیقات مالی
دوره 19، شماره 2
1396
صفحه 299-318

فایل ها

هم رسانی

ارجاع به این مقاله

آمار