طراحی الگویی جهت پیش بینی شاخص بورس تهران با استفاده از ترکیبی از شبکه عصبی مصنوعی و مدل مخفی مارکوف

هدف این پژوهش طراحی الگویی جدید جهت پیش بینی شاخص بورس تهران با استفاده از تشخیص الگو در ترکیبی از مدل مارکوف مخفی وهوش مصنوعی بود که تحقیق حاضر از نوع کاربردی و روش تحلیلی ریاضی می باشد. قلمرو مکانی آن بورس اوراق بهادار تهران و طی سال های 1389 تا 1398 است. یافته های پژوهش نشان داد که میزان خطای پیش‌بینی با شبکه عصبی مصنوعی از دقت بالاتری نسبت به مدل مخفی مارکوف برخوردار است. همچنین میزان خطای پیش بینی مدل ترکیبی به مراتب از دو مدل دیگر برای پیش بینی شاخص کل سهام بورس تهران کمتر بوده، لذا دقت بالاتری برای پیش بینی سهام را دارا می باشد. با توجه به شاخص mape روش مدل ترکیبی توانسته 0.044 درصد توان پیش بینی شبکه عصبی مصنوعی را بهبود ببخشد و همچنین 0.70 درصد قدرت پیش بینی کنندگی مدل مخفی مارکوف را بهبود ببخشد.

developing a model for predicting the tehran stock exchange index using a combination of artificial neural network and markov hidden model

the purpose of this study was to design a new model for predicting the tehran stock exchange index using pattern recognition in a combination of hidden markov model and artificial intelligence. the present study is an applied type and mathematical analytical method. its location is the tehran stock exchange and during the years 2010 to 2020. findings showed that the prediction error rate with artificial neural network has a higher accuracy than markov’s hidden model. also, the prediction error of the hybrid model is much lower than the other two models for predicting the total stock index of tehran stock exchange, so it has higher accuracy for forecasting stocks. according to the mape index, the hybrid model method could improve the predictive power of the artificial neural network by 0.044% and also improve the predictive power of the hidden markov model by 0.70%.