مدل‌سازی بازار سهام با استفاده از مدل‌های هوش مصنوعی و مقایسه با مدل‌های کلاسیک خطی

پیش‌بینی قیمت سهام به‌عنوان یک فعالیت چالش برانگیز در پیش بینی سری ‌های زمانی مالی درنظر گرفته می‌ شود. پیش‌بینی صحیح قیمت سهام می ‌تواند سود زیادی را برای سرمایه ‌گذاران به بار آورد. با وجود تلاش های فراوانی که تا کنون برای این منظور انجام گرفته، موفقیت چندانی در این زمینه به‌دست نیامده است. با توجه به پیچیدگی داده ‌های بازار بورس، توسعه مدل ‌های کارآمد برای این پیش‌بینی بسیار دشوار است. در این مقاله، سعی در بررسی دقیق این مساله و ارائه روشی کارآمد برای آن داریم. برای ارزیابی روش پیشنهادی در این مقاله، بازار سهام تهران به‌عنوان یک بازار واقعی موردبررسی قرار گرفته ‌است. برای پیش‌بینی شاخص کل سهام تهران، از سامانه‌های هوشمند غیرخطی همچون شبکه‌های عصبی مصنوعی(ann[1]) و شبکه‌ های عصبی فازی(anfis[2]) استفاده و سپس کارایی این مدل ‌ها با مدل‌های کلاسیک خطی(arima[3] و sarima[4]) بررسی شده و همچنین علاوه‌بر داده ‌های شاخص کل، داده ‌های تاثیرگذار دیگری شامل قیمت دلار آمریکا، قیمت طلا، قیمت نفت، شاخص صنعت، شاخص ارز شناور، شاخص بازار اول و دوم در طول حدود پنج سال اخیر نیز در نظر گرفته شده ‌است. داده‌ های این پژوهش به‌صورت هدفمند به‌عنوان ورودی به مدل ‌های غیرخطی ann و anfis داده می شوند. به‌عبارت دیگر، عمل انتخاب ویژگی توسط معیار تابع اطلاعات مشترک(mi[5]) و ضریب همبستگی خطی(cc[6]) انجام می ‌گیرد؛ در‌نهایت، ویژگی ‌هایی انتخاب می‌ شوند که تاثیر بیشتری روی شاخص کل دارند. این عمل باعث می شود که داده‌ های نامرتبط از مدل‌ سازی حذف شوند که این کار، تاثیر به‌سزایی در نتایج مدل‌ سازی خواهد داشت. در‌نهایت؛ همه مدل‌ ها براساس معیار های رایج نیکویی برازش با همدیگر مقایسه می ‌شوند تا بتوان به دید جامعی در مورد توانایی مدل ‌های مورد نظر دست یافت. نتایج مدل‌سازی، بیان‌گر این است که انتخاب ویژگی‌ها با روش‌های mi و ccدر هر دو مدل anfis و ann دقت پیش‌بینی شاخص را از منظر معیار ارزیابی nashsutcliffe تا 55% افزایش می دهد. همچنین در تمامی پنج معیار ارزیابی، عملکرد anfis بر ann برتری دارد.

Stock Market Modeling Using Artificial Neural Network and Comparison with Classical Linear Models

Stock market plays an important role in the world economy. Stock market customers are interested in predicting the stock market general index price, since their income depends on this financial factor; Therefore, a reliable forecast in stock market can be extremely profitable for stockholders. Stock market prediction for financial markets has been one of the main challenges in forecasting financial time series, in recent decades. This challenge has increasingly attracted researchers from different scientific branches such as computer science, statistics, mathematics, and etc. Despite a good deal of research in this area, the achieved success is far from ideal. Due to the intrinsic complexity of financial data in stock market, designing a practical model for this prediction is a difficult task. This difficulty increases when a wide variety of financial factors affect the stock market index. In this paper, we attempt to investigate this problem and propose an effective model to solve this challenge. Tehran rsquo;s stock market has been chosen as a realworld case study for this purpose. Concretely, we train a regression model by several features such as first and second market index in the last five years, as well as other influential features including US dollar price, universal gold price, petroleum price, industry index and floating currency index. Then, we use the trained system to predict the stock market index value of the following day. The proposed approach can be used by stockbrokerstrading companies that buy and sell shares for their clients to predict the stock market value. In the proposed method, intelligent nonlinear systems such as Artificial Neural Networks (ANNs) and Adaptive Networkbased Fuzzy Inference System (ANFIS) have been exploited to predict the daily stock market value of Tehran rsquo;s stock market. At the end, the performance of these models have been measured and compared with the linear classical models, namely, ARIMA and SARIMA. In the comparison phase, these time series data are imposed to nonlinear ANN and ANFIS models; then, feature selection is applied on data to extract the more influencing features, by using mutual information (MI) and correlation coefficient (CC) criteria. As a result, those features with greater impact on prediction are selected to predict the stock market value. This task eliminates irrelevant data and minimizes the error rate. Finally, all models are compared with each other based on common evaluation criteria to provide a big picture of the exploited models. The obtained results approve that the feature selection by MI and CC methods in both ANFIS and ANN models increases the accuracy of stock market prediction up to 55 percentage points. Furthermore, ANFIS could outperform ANN in all five evaluation criteria.