الگوی ترکیبی پیش‌بینی رفتارهای متغیر قیمت در بازار سهام

هدف پژوهش حاضر، ارزیابی روش های فرا ابتکاری جهت پیش بینی رفتار قیمت سهام و معرفی کارآمدترین روش در بازار سهام ایران است. بدلیل نااطمینانی در زمینه سرمایه گذاری و کثرت متغیرها، سرمایه‌گذاران به روش پیش بینی روی می آورند که به‌واسطه آن ها، تخمین هایشان به واقعیت نزدیک و خطایشان کم‌ شود. در این پژوهش، به پیش بینی قیمت سهام 5 شرکت پذیرفته‌شده در شاخص فلزات اساسی بورس اوراق بهادار تهران در یک بازه زمانی سه ساله، با شرط فقدان توقف معاملاتی پیوسته برای مدت بیش از 3 ماه پرداخته شد. بدین منظور، متغیرهای بهینه از بین 9 متغیر اولیه و پرکاربرد با استفاده از روش های انتخاب ویژگی، الگوریتم های فرا ابتکاری شاهین هریس  و وال انتخاب و سپس با استفاده از شبکه های عصبی پس انتشار خطا، شبکه عصبی پایه شعاعی و شبکه عصبی با تاخیر زمان به پیش بینی قیمت سهام پرداخته شد. نتایج نشان داد که در پیش بینی قیمت سهام فملی، زنگان، فرآور، فاسمین و فولاد به ترتیب woatd، hhotd، hhotd، hhotd و hhorbf مدل برتر هستند. همچنین نتایج نشان می دهد که روش تکاملی شاهین هریس در یافتن ویژگی ها نسبت به روش تکاملی وال بهتر عمل کرده است. با توجه به نتایج، مدل hhotd نسبت به بقیه مدل ها از دقت و کارایی بالاتری برخوردار است.

a hybrid model for predicting variable price behaviors in the stock market

the research’s aim is to evaluate meta-innovative methods to predict stock price behavior and introduce the most efficient method in the iranian stock market. due to the uncertainty in the field of investment and the multitude of variables, investors turn to forecasting methods, which make their estimates closer to reality and reduce their errors. in this research, the stock price forecast of 5 companies included in the basic metals index of tehran stock exchange was discussed in a three-year time frame, with the condition of no continuous trading halt for a period of more than 3 months. for this purpose, the optimal variables are selected from among the 9 basic and widely used variables using feature selection methods, meta-heuristic algorithms of shahin harris and wall, and then using neural networks after error propagation, radial basis neural network and neural network. nervously, with time delay, stock price prediction was discussed. the results showed that woatd, hhotd, hhotd, hhotd and hhorbf are the best models in predicting the stock prices of femli, zangan, faravar, fasmin and foulad respectively. also, the results show that shahin-harris's evolutionary method has performed better than wall's evolutionary method in finding features. according to the results, hhotd model is more accurate and efficient than other models.