پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 935 |
| تعداد مقالات | 7,687 |
| تعداد مشاهده مقاله | 12,546,976 |
| تعداد دریافت فایل اصل مقاله | 8,917,516 |
پیش بینی شاخص بورس اوراق بهادار تهران با ترکیب روشهای آنالیز مولفه های اصلی، رگرسیون بردارپشتیبان و حرکت تجمعی ذرات | ||
| راهبرد مدیریت مالی | ||
| مقاله 1، دوره 4، شماره 4 - شماره پیاپی 15، اسفند 1395، صفحه 1-23 اصل مقاله (1.09 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/jfm.2017.12410.1175 | ||
| نویسندگان | ||
| رضا راعی1؛ علی نیکعهد2؛ مصطفی حبیبی* 3 | ||
| 1استاد دانشگاه تهران، دانشکده مدیریت، گروه مدیریت مالی و بیمه | ||
| 2کارشناس ارشد مدیریت مالی، دانشگاه تهران | ||
| 3دانشجوی کارشناسی ارشد مدیریت مالی، دانشگاه تهران، | ||
| چکیده | ||
| پیشبینی نوسان‌های آینده شاخص سهام میتواند اطلاعاتی در مورد روند آینده بازار سرمایه فراهم نماید. در این پژوهش، به منظور افزایش دقت پیشبینی شاخص بورس اوراق بهادار تهران، ترکیبی از روشهای آماری و هوش مصنوعی به کار رفته است. مدل اصلی پیشبینی در این پژوهش، رگرسیون بردار پشتیبان بهینه شده به وسیله الگوریتم حرکت تجمعی ذرات میباشد. در برازش مدل رگرسیون بردار پشتیبان، سه پارامتر توضیحی وجود دارد که باید ترکیبی از این سه پارامتر توسط کاربر و به صورت آزمایش و خطا انتخاب شود تا دقت مدل را به بیشترین حد خود برساند. با توجه به زمانبر بودن و کارایی پایین انتخاب پارامتر توسط کاربر، برای انتخاب ترکیب بهینه پارامترهای مدل رگرسیون بردار پشتیبان، از روش بهینهسازی حرکت تجمعی ذرات استفاده شده است که الگوریتمی قوی در حوزه بهینهسازی میباشد. با توجه به حجم زیاد دادههای ورودی به مدل برای کاهش زمان یادگیری و افزایش دقت پیشبینی، با استفاده از روش آنالیز مولفههای اصلی، پیشپردازش روی متغیرهای ورودی صورت گرفته و به مولفههای اصلی تبدبل شده است. نتایج بدست آمده نشان داد که پیشپردازش روی دادها، خطای پیشبینی مدل را به طور قابل ملاحظهای کاهش داده است. | ||
| کلیدواژه‌ها | ||
| شاخص بورس؛ آنالیز مولفه های اصلی؛ رگرسیون بردار پشتیبان؛ بهینه سازی حرکت تجمعی ذرات؛ پیش بینی | ||
| عنوان مقاله [English] | ||
| The Index Prediction of Tehran Stock Exchange by Combining the Principal Components Analysis, Support Vector Regression and Particle Swarm Optimization | ||
| نویسندگان [English] | ||
| Reza Raee1؛ Ali Nikahd2؛ Mostafa Habibi3 | ||
| 1tehran university | ||
| 2tehran university | ||
| 3tehran university | ||
| چکیده [English] | ||
| The prediction of future fluctuations in stock index can provide information about the future trend in the capital market. In order to increase the accuracy of the prediction of stock exchange index, this study used a combination of statistical methods and artificial intelligence. In this study, a hybrid stock index prediction model by utilizing principal component analysis (PCA), support vector regression (SVR) and particle swarm optimization (PSO) is proposed. In the proposed model, first, the PCA is used to deal with the nonlinearity property of the stock index data. The proposed model utilizes PCA to extract features from the observed stock index data. The features which can be used to represent underlying/hidden information of the data are then served as the inputs of SVR to build the stock index prediction model. Finally, PSO is applied to optimize the parameters of the SVR prediction model since the parameters of SVR must be carefully selected in establishing an effective and efficient SVR model. The findings show that preprocessing the data can decrease the prediction error of the model significantly. | ||
| کلیدواژه‌ها [English] | ||
| Stock Index, Principal Component Analysis, Support Vector Regression, Particle Swarm Optimization, Prediction | ||
| مراجع | ||
|
- بروکز کریس، 1389، اقتصاد سنجی مالی و تجزیه و تحلیل داده‌ها در علوم انسانی، ترجمه بدری احمد و عبدالباقی عبدالمجید، جلد1، موسسه عملی فرهنگی نص، چاپ اول. - جانسون، ریچارد. 1378، تحلیل آماری چند متغیری کاربردی، ترجمه نیرومند، حسینعلی. دانشگاه فردوسی مشهد، چاپ سوم. - کیانی، محمد فریدون. میرعرب شاهی، رامین. حسین خانی، ابراهیم. 1387،تعیین میزان دقت دستهبندی کننده ماشین بردارپشتیبان در ارزیابی اعتباری بانکی، دومین همایش ملی مهندسی برق کامپیوتر و فناوری اطلاعات، صص 200-208. - نوری، روح‌اله. خاکپور، امیر. دهقانی، مجید. فرخ‌نیا، اشکان. 1389، پیشبینی ماهانه جریان آب با استفاده از ماشین بردارپشتیبان بر مبنای آنالیز مولفه اصلی، فصلنامه علمی و پژوهشی آب و فاضلاب، دوره22، شماره1، صص 118-123 - Chi-Jie, Lu. (2013). Hybridizing nonlinear independent component analysis and support vector regression with particle swarm optimization for stock index forecasting, Neural Applied & Soft computing, volume 40, pp. 164-178. - Gunn, steve .(1998). Support Vector Machines for Classification and Regression, university of SOUTHAMPTON, chapter 2, pp. 5-16. - Kenndy, J. Eberhart, R.C.(1995). Particle Swarm Optimization. In Proceedings of the IEE International Conference on Neural Networks IV. - Li. Xia, He. Kaijjian.(2014). Forecasting Crude Oil Price With Multiscale Denoising Ensemble Model, Mathematic Problems in Engineering, pp.1-19 - Lipo, W. (2005), Support Vector Machines, Theory and Application, university of Auckland. - Pei. Chann Chang, Jhen. Wu, Jyun. Lin.(2015), A Takagi-Sugeno fuzzy model combined with a support vector regression for stock trading forecasting, Applied Soft Computing, volume 38, pp. 831-842. - Sanches, D. (2003). Advanced Support Vector Machines and Kernel methods, Neurocomputing, volume 55, pp. 5-20. | ||
|
آمار تعداد مشاهده مقاله: 3,530 تعداد دریافت فایل اصل مقاله: 2,950 |
||