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 پیش‌بینی کنندگی در بازار سرمایه می‌پردازد. بدین منظور داده‌های بازار در سال‌های 1394 تا 1397 مورد استفاده قرار گرفت و بیش از 75 درصد از این داده‌ها تا قبل از سال 1397 به عنوان داده‌های آموزشی استفاده شد و داده‌های یک سال پایانی نیز به عنوان داده‌های آزمایشی مورد استفاده قرار گرفته شده است. نتایج تحقیق نشان داده‌اند، شبکه‌های عصبی مصنوعی ظرفیت بالایی برای پیش‌بینی قیمت دارند. مقایسه نتایج و عملکرد شبکه‌های عصبی و الگوی آریما (arima) حاکی از آن است که شبکه عصبی قدرت پیش‌بینی بالاتری در مقایسه با الگوی خطی آریما (arima) دارد، همچنین مقایسه عملکرد و دقت پیش‌بینی 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 پیش‌بینی شبکه عصبی را افزایش داده و خطای آن را کاهش دهد، بنابراین بر پایه پژوهش انجام شده می‌توان چنین نتیجه گرفت که الگوریتم یادگیری لونبرگ مارکوارت قدرت پیش‌بینی شبکه عصبی را بهبود می‌بخشد.

Predicting Capital Market Returns Using the Learning Model of Levenberg-Marquardt, Gradient descent and ARIMA Algorithm

The present study compares and predicts the predictive ability of the capital market based on the learning pattern of the LevenbergMarquardt algorithm, the Gradient descent and the ARIMA Algorithm. For this purpose, market data were used in the period from 1394 to 1397, and more than 75% of these data were used as training data prior to 1397, and one year end data were used as data. The results of the evaluation of the research data show that artificial neural networks have a high capacity for price prediction.The results also showed that in both training data series from 1394 to 1396 and experimental of 1397 the comparison of the results and performance of ARIMA neural networks (ARIMA) showed that the neural network had higher predictive power in Comparing with the performance and prediction accuracy of two types of neural networks with the LevenbergMarquardt learning algorithm and the Gradient descent learning algorithm using the LevenbergMarquardt learning algorithm has been able to increase the neural network prediction accuracy And reduce its error, so, the results of the present study show, the LevenbergMarquardt learning algorithm improves the predictive power of the neural network.