مقایسه پیش بینی شاخص سهام با استفاده از مدل های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
هدف پژوهش حاضر مقایسه پیش بینی شاخص سهام با استفاده از مدل های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوط ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم های فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش بینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیش بینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش بینی ارزیابی شده است. نتایج نشان می دهد دقت پیش بینی مدل های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.
زبان:
فارسی
صفحات:
105 تا 127
لینک کوتاه:
magiran.com/p1917557 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!