ارائه مدلی برای پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از ANFIS و رگرسیون فازی

هدف از این مطالعه ارائه یک مدل پیش بینی برای شاخص بورس اوراق بهادار تهران با استفاده از سیستم استنتاج عصبی-فازی سازگار (ANFIS) و تجزیه و تحلیل رگرسیون فازی است. رفتار این شاخص غیرخطی و هرج و مرج است که روشهای سنتی به طور دقیق پیش بینی نمی کنند. از این رو ، با استفاده از دو ابزار فوق و شناسایی سه متغیر کلان اقتصادی از جمله نرخ تورم ، نرخ ارز و قیمت نفت خام به عنوان متغیرهای مستقل ، ما شاخص شاخص کل سهام را برای هفته آینده پیش بینی کردیم. سپس ، مدل سازی با استفاده از سه متغیر فوق انجام شد. با مقایسه نتایج ، عملکرد ANFIS بهتر از رگرسیون فازی بود. معیار میانگین عملکرد خطای مربع برای خروجی ANFIS 0. 021248 به دست آمد. پیش بینی هفته آینده کاهش خطا برای هر دو ابزار و ANFIS دوباره با مقدار خطا 0. 007933 نشان داد ، عملکرد برتر این مطالعه را به همراه داشت. همچنین ، مدل با چهار ورودی در مقایسه با مدل با سه ورودی دقیق تر بود. تأکید بر استفاده از متغیرهای کلان اقتصادی ، پیش بینی شماره شاخص هفته آینده ، با استفاده از دو ابزار ذکر شده ، تجزیه و تحلیل حساسیت مدل ها در طول تحقیق ویژگی های این تحقیق است. این تحقیق می تواند توسط کلیه شرکت های بورس ، سرمایه گذاران ، کارگزاران و افراد و اشخاص حقوقی که به هر طریقی با بازار سهام سر و کار دارند ، استفاده شود.

کلید واژه ها

عنوان مقاله [فارسی]

نویسندگان [فارسی]

مظم

• memحmedrضa فیelی ز eady 1
• انهادههالیهور 2
• 1 تقدهار زروه منیسسیهههههههههههههههههههههته

چکیده [فارسی] این پژوهش، با هدف ارائه یک مدل پیش بینی شاخص کل بورس اوراق بهادار تهران با سیستم استنتاج فازی عصبی تطبیقی (ANFIS) و رگرسیون فازی صورت گرفته است. رفتار شاخص غیرخطی و آشوب گونه است که روش های سنتی جوابگوی پیش بینی دقیق نیست. از این رو، با استفاده از دو ابزار فوق الذکر و با شناسایی سه متغیر کلان اقتصادی شامل نرخ تورم، نرخ ارز و قیمت نفت خام به عنوان متغیرهای مستقل، اقدام به پیش بینی عدد شاخص کل بورس برای یک هفته بعد گردید. ابتدا داده های روزانه سالهای 1387 الی 1394 متغیرهای پژوهش جمع آوری و ذخیره و با استفاده از نرمال سازی فازی، نرمال گردید. سپس مدل سازی با استفاده از سه متغیر فوق الذکر صورت پذیرفت و با مقایسه نتایج، عملکرد بهتر ANFIS نسبت به رگرسیون فازی مشاهده گردید. معیار سنجش عملکرد، ریشه دوم میانگین مربعات خطا بود که برای خروجی ANFIS ، مقدار 021248/0 حاصل شد. حاصل پیش بینی یک هفته بعد، برای هر دو ابزار کاهش خطا را نشان داد و مجددا ANFIS با مقدار 007933/0 برای خطا، عملکرد برتر این پژوهش را به خود اختصاص داد و مدل با چهار ورودی نسبت به مدل با سه ورودی دقت بیشتری از خود نشان داد. تاکید بر استفاده از متغیرهای کلان اقتصادی، پیش بینی یک هفته آینده عدد شاخص، استفاده از دو ابزار ذکر شده، آنالیز حساسیت مدل ها در حین تحقیق از ویژگی های این پژوهش است. این پژوهش می تواند مورد استفاده کلیه شرکت های حاضر در بورس، سرمایه گذاران، کارگزاری ها و افراد حقیقی و حقوقی که به هر نحوی با بورس اوراق بهادار سروکار دارند، واقع گردد. Keywords [Persian]

پیش بینی

شاخص کل بورس تهران

• ANFIS
• رگرسیون فازی
• References
• ]1[ ابونوری ع. نادری ا. گندلی علیخانی ن. عبدالهی پ. (1392). تجزیه و تحلیل عدم تقارن میان شاخص سهام و نرخ تورم به کمک رویکرد هم انباشتگی پنهان: (مطالعه موردی ایران). فصلنامه راهبرد اقتصادی، شماره 5، صص69-94.

]2[ احمدخان بیگی س. عبدالوند ن. 1396. پیش­بینی قیمت سهام بارویکرد ترکیبی شبکه عصبی مصنوعی و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب. راهبرد مدیریت مالی. شماره هجدهم. صص 44-27.

]3[ ایزدی, سمیه, الهویرنلو, توفیق. (1397). یک روش ماتریسی جهت برآورد ضرایب رگرسیون خطی مبتنی بر اعداد-زاده. پژوهش­های نوین در ریاضی, 4(16), 5-16.

]4[ پیکانی پ. محمدی ع. جبارزاده آ. جندقیان ع. 1394. بهره­گیری از مدل استوار تحلیل پوششی داده­ها به منظور اندازه­گیری کارایی سهام مطالعه موردی بورس اوراق بهادار تهران. پِوهش­های نوین در ریاضی، شماره 4(1)، 24-15.

]5[ توحیدی, قاسم, کیانی, ندا, رضویان, شبنم. (1398). پیش­بینی هوشمند نقدینگی دستگاه های خودپرداز برمبنای تقاضای مشتریان. پژوهش­های نوین در ریاضی, (), -.

]6[ زمانی م. افسر ا. ثقفی نژاد و. بیات ا. (1393)، سیستم خبره پیش­بینی قیمت سهام و بهینه­سازی سبد سهام با استفاده از شبکه­های عصبی فازی، مدل­سازی فازی و الگوریتم ژنتیک، شماره21. Не удалось загрузить все результаты. ПовторитьПовторная попытка…

]7[ سعیدی پ. امیری ع. (1389). بررسی رابطه متغیرهای کلان اقتصادی با شاخص کل بورس اوراق بهادار تهران. فصلنامه مدلسازی اقتصادی، سال دوم، شماره 2، 111-130.

]8[ صادقی شریف سج. فرازمند س. 1396. ارزیابی پیش­بینی پذیری قیمت سهام با استفاده از شبکه­های عصبی فازی در بورس تهران. فصلنامه سیاست­های مالی و اقتصادی. شماره 17. صص 115-97.

]9[ طاهری ح. صارم صفاری م. (1390). ARDL بررسی

رابطه بین نرخ ارز و شاخص قیمت بورس اوراق بهادار تهران: با استفاده از رویکرد، فصلنامه روند پژوهش­های اقتصادی، سال نوزدهم، شماره ٦٠.

]10[ غفاری م. یوسفی ر. (1390). مدل­سازی پیش بینی قیمت ارز با استفاده از شبکه­های عصبی. مجله مهندسی مالی و مدیریت اوراق بهادار. شماره هشتم. ص 99 118.

]11[ فشاری م. مظاهری فر پ. 1395. مقایسه الگوریتم­های پیش­بینی و بهینه­سازی پرتفوی در بورس اوراق بهادار تهران. فصلنامه سیاست­گذاری پیشرفت اقتصادی دانشگاه الزهرا(س). شماره 11.

]12[ فلاح­پور س. علی­پور ج (1393). پیش بینی شاخص سهام با استفاده از شبکه­های عصبی موجکی در بورس اوراق بهادار تهران. مجله راهبرد مدیریت مالی. شماره7، ص15 31.

]13[ کوره­پزان دزفولی امین. 1387. اصول تئوری مجموعه­های فازی و کاربردهای آن در مدل های مسائل مهندسی آب. چاپ اول. تهران. انتشارات جهاد دانشگاهی، واحد صنعتی امیرکبیر.

]14[ محمدی ش. طبسی ح. (1391). بررسی تغییرات ناهموار بورس اوراق بهادار تهران با استفاده از نظریه کاتاستروف، فصلنامه تحقیقات اقتصادی، 2(47):119-136.

[15] Arjmandzadeh Z. Safi M. Nazemi A. 2017. A new Neural Network Model for Solving Interval Linear Programming Problems. Neural Network, Vol. 89:11-18. pp 679-690.

[16] Asghar, M. Z., Rahman, F., Kundi, F. M., & Ahmad, S. (2019). Development of stock market trend prediction system using multiple regression. Computational and Mathematical Organization Theory, 1-31.

[17] Atsalakis G. Valavanis K P. 2009 surveying stock market forecasting techniques Part II: Soft computing

methods. Expert Systems with Applications, Volume 36 Part 2:5932-5941.

[18] Atsalakis G. Valavanis K. 2010. Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, Volume 36: 10696-10707.

[19] Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the direction of stock market prices using tree-based classifiers. The North American Joual of Economics and Finance, 47, 552-567.

[20] Celmins A. 1991. A Practical Approach to Nonlinear Fuzzy Regression. SIAM Joual on Scientific and Statistical Computing. 521-546. Не удалось загрузить все результаты. ПовторитьПовторная попытка…

[21] Chang N. Wen C G. Chen Y L. Yong Y C. 1996. یک رویکرد برنامه نویسی چند منظوره فازی خاکستری برای برنامه ریزی بهینه یک حوضه آبخیز مخزن. قسمت A: توسعه نظری. تحقیقات آب ، دوره 30: 2329-2334

[22] Chang y O. Ayub B M. 2001. روش های رگرسیون فازی - ارزیابی مقایسه ای. مجموعه ها و سیستم های فازی ، 119: 187-203.

[23] Diamond P. 1990. اعداد فازی سطح بالاتر ناشی از مدل های رگرسیون فازی. مجموعه ها و سیستم های فازی. دوره 36: 265-275 ،

[24] D'Urso P. 2003. تجزیه و تحلیل رگرسیون خطی برای ورودی فازی/واضح و داده های خروجی فازی/واضح. آمار محاسباتی و تجزیه و تحلیل داده ها. دوره 42: 47-72.

[25] D'Urso P. Gasstaldi T. 2000. رویکرد حداقل مربعات به تجزیه و تحلیل رگرسیون خطی فازی. آمار محاسباتی و تجزیه و تحلیل داده ها. دوره 34: 427-440

[26] Farahani K M. Mehralian S. 2013 مقایسه بین شبکه عصبی مصنوعی و نورو-فازی برای پیش بینی قیمت طلا. سیزدهمین کنفرانس ایران در مورد سیستم های فازی (IFSC) ، قزوین. 2013 ، صص 1-5.

[27] Guresen E. Kayakutlu G. Dalim U. 2011. با استفاده از مدل های شبکه عصبی مصنوعی در سیستم پیش بینی شاخص سهام سهام با برنامه های کاربردی ، ISS. 8 (جلد 38) ، صص. 10389-10397.

[28] Hui-Kuang T. Kun-Huang Y. 2008. یک مدل سری زمانی فازی دو متغیره برای پیش بینی Taiex. سیستم های خبره با برنامه ها ، جلد 34 ، شماره 4 2945-2952.

[29] Iskandar N. (2005). یک رویکرد شبکه های عصبی مصنوعی برای مدل سازی کوتاه مدت بازار قیمت سهام. دانشگاه پایان نامه کارشناسی ارشد Regia ، 13 ، 383-400.

[30] Kacprzyk J. Fedrizzi M. 1992. تجزیه و تحلیل رگرسیون احتمالی مبتنی بر تجزیه و تحلیل رگرسیون فازی برنامه نویسی خطی. هایدلبرگ آلمان Omnitech Warsaw لهستان ، 47-60.

[31] Lee I. Pettit R R. Swankoski M V. 1990 ، روابط بازگشت روزانه در بین بازارهای سهام آسیا. مجله مالی و حسابداری تجارت ، 17: 265-283.

[32] Lu J. Wang R. 2009. یک مدل رگرسیون خطی فازی پیشرفته با گسترش انعطاف پذیر تر. مجموعه ها و سیستم های فازی ، جلد 160: 2505-2523.

[33] Mallqui ، D. C. ، & Feandes ، R. A. (2019). پیش بینی جهت ، حداکثر ، حداقل و قیمت بسته شدن نرخ ارز روزانه بیت کوین با استفاده از تکنیک های یادگیری ماشین. محاسبات نرم کاربردی ، 75 ، 596-606.

[34] Melin P. Soto J. Castillo O. Soria J. 2012. یک رویکرد جدید برای پیش بینی سری زمانی با استفاده از مجموعه های مدل های ANFIS. سیستم های خبره با برنامه ، ISS. 3 (جلد 39) صص 3494-3506.

[35] Moghaddam A. Moghaddam M. Esfandyari M. 2016. پیش بینی شاخص بازار سهام با استفاده از شبکه عصبی مصنوعی. مجله اقتصاد ، امور مالی و علوم اداری. دوره 21: 89-93.

[36] Nathan D. Shamsuddin K. 2014. پیش بینی نرخ فارکس با استفاده از یک سیستم ترکیبی. مجله بین المللی تحقیقات و فناوری مهندسی. 3

[37] پیترز G. 1994. رگرسیون خطی فازی با فواصل فازی. مجموعه ها و سیستم های فازی. دوره 63: 45-55

[38] Quah J T S. W. D. Ng. 2008. استفاده از اطلاعات محاسباتی برای انتخاب سهام DJIA. کنفرانس مشترک بین المللی شبکه های عصبی ، اورلاندو ، 2007 ، صص 956-961.

[39] Redden D T. Woodal W H. 1994. خصوصیات برخی از روش های رگرسیون خطی فازی. مجموعه ها و سیستم های فازی. 64: 361-375.

[40] Su ، C. H. ، & Cheng ، C. H. 2016. یک مدل سری زمانی فازی ترکیبی مبتنی بر ANFIS و روش انتخاب ویژگی غیرخطی یکپارچه برای پیش بینی سهام. Neurocomputing ، 205 ، 264-273.

[41] Sun ، K. ، Zhang ، A. ، Qiu ، J. ، Chen ، X. ، Yang ، C. ، & Chen ، X. (2015). تجزیه و تحلیل پویا از راه حل دوره ای برای شبکه های عصبی کوهن-گرسبرگ با تأخیر زمان. شبکه های عصبی ، 61 ، 68-74.

[42] Swanson N ، White H. 2001. یک رویکرد انتخاب مدل برای ارزیابی اطلاعات در اصطلاح ساختار با استفاده از مدل های خطی و شبکه های عصبی مصنوعی. مجله آمار تجارت و اقتصادی. 13 10. 10524600.

[43] Tan ، L. ، Wang ، S. ، & Wang ، K. 2017. یک سیستم استنتاج فازی مبتنی بر شبکه جدید با قوانین تنظیم سازگار برای پیش بینی نوسانات بازار سهام. نامه های پردازش اطلاعات ، 127 (ژوئن) ، 32-36.

[44] Tanaka H. Ishibushi H. 1991. شناسایی سیستم های خطی احتمالی توسط عملکردهای عضویت درجه دوم پارامترهای فازی. مجموعه ها و سیستم های فازی ، 41: 145-160.

[45] Tanaka H. Le H. 1998. تجزیه و تحلیل رگرسیون بازه با رویکرد برنامه نویسی درجه دوم. معاملات IEEE در سیستم های فازی. جلد 6. شماره 4: 473-481

[46] Tanaka H. Uejima S Asai K. 1982. تجزیه و تحلیل رگرسیون خطی با مدل فازی. IEEE ، سیستم Trans Systems Man Cybeet. smc ، صص: 903-907.

[47] WEI ، L. Y. 2016. یک مدل ANFIS ترکیبی مبتنی بر تجزیه حالت تجربی برای پیش بینی سری زمانی سهام. مجله محاسبات نرم کاربردی ، 42 ، 368-376

[48] Yunos Z M. Shamsuddin S M. Sallehuddin R. 2008. مدل سازی داده ها برای شاخص کامپوزیت کوالالامپور با ANFIS. دومین کنفرانس بین المللی آسیا در مورد مدل سازی و شبیه سازی (AMS) ، کوالالامپور. 2008 ، صص 609-614.