پیش بینی قیمت سهام با استفاده از شبکه های عصبی مصنوعی بر روی داده های محدوده ی کمترین قیمت

امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش بینی قیمت سهام میباشد. داده های قیمت سهام، یک سری زمانی مالی را نشان می دهد که پیش بینی روند آن به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش بینی سری های زمانی مالی، شبکه عصبی پس انتشار خطا BPNN میباشد. در این مقاله از شبکه های عصبی براساس سه الگوریتم یادگیری مختلف لونبرگ - مارکوارت LM، گرادیان مزدوج مقیاس بندی شده SCG و منظم سازی بیزین BR برای پیش بینی بازار سهام براساس داده های محدوده ی کمترین قیمت و همچنین داده های 30 دقیقه ای شاخص بورس استفاده کرده و نتایج آن ها را با یکدیگر مقایسه می کنیم. هر سه الگوریتم تخمین 99.9 % را با استفاده از داده های محدوده ی کمترین قیمت فراهم می کنند. اما زمان استفاده از داده های 30 دقیقه ای، دقت تخمین به ترتیب به 96.2 %، 97.0 % و 98.9 % برای الگوریتم لونبرگ-مارکورات، گرادیان مزدوج مقیاس بندی شده و منظم سازی بیزین کاهش می یابد، در نهایت شبکه ی عصبی بهینه با روش رگرسیون مقایسه شده تا مشخص شود نتایج شبکه ی عصبی در سری های زمانی غیرخطی پیچیده، کاراتر از روش های خطی میباشد.