پیش بینی بازده بازار سرمایه با استفاده از الگوی یادگیری الگوریتم لورنبرگ مارکوات, گرادیان نزولی و الگوی آریما (ARIMA)

پژوهش حاضر بر اساس ارزیابی الگوی یادگیری الگوریتم لورنبرگ مارکوات، گرادیان نزولی و الگوی آریما به مقایسه و توانایی پیش بینی کنندگی در بازار سرمایه می پردازد. بدین منظور داده های بازار در سال های 1394 تا 1397 مورد استفاده قرار گرفت و بیش از 75 درصد از این داده ها تا قبل از سال 1397 به عنوان داده های آموزشی استفاده شد و داده های یک سال پایانی نیز به عنوان داده های آزمایشی مورد استفاده قرار گرفته شده است. نتایج تحقیق نشان داده اند، شبکه های عصبی مصنوعی ظرفیت بالایی برای پیش بینی قیمت دارند. مقایسه نتایج و عملکرد شبکه های عصبی و الگوی آریما (ARIMA) حاکی از آن است که شبکه عصبی قدرت پیش بینی بالاتری در مقایسه با الگوی خطی آریما (ARIMA) دارد، همچنین مقایسه عملکرد و دقت پیش بینی دو نوع شبکه عصبی با الگوریتم یادگیری لونبرگ مارکوارت و الگوریتم یادگیری گرادیان نزولی نشان داد که استفاده از الگوریتم یادگیری لونبرگ مارکورات توانسته است دقت پیش بینی شبکه عصبی را افزایش داده و خطای آن را کاهش دهد، بنابراین بر پایه پژوهش انجام شده می توان چنین نتیجه گرفت که الگوریتم یادگیری لونبرگ مارکوارت قدرت پیش بینی شبکه عصبی را بهبود می بخشد.