پیش‌بینی بازار سهام با استفاده از الگوریتم بهینه‌سازی ملخ بهبود یافته و الگوریتم‌های سری زمانی

این مقاله یک روش برای پیش بینی بازار سهام را پیشنهاد می دهد که می تواند به طور موثر ارزش سهام را پیش بینی کند. در این مقاله برای کاهش حجم داده های ورودی از قیمت گذشته بازار استفاده شده است و با ارائه یک روش مبتنی بر الگوریتم بهینه سازی ملخ بهبود یافته وابستگی داده های فعلی بازار بورس به داده های قبلی تعیین می شود که این الگوریتم منجر به کاهش مرتبه مدل و در نتیجه تعداد ورودی شبکه می شود به وسیله بهبود نرخ یادگیری الگوریتم بهینه سازی ملخ نتایج با خطای کمتری به دست آمد. پس از آن پیش بینی ارزش سهام با استفاده از سه شبکه عصبی مجزا انجام شد و در نهایت از مجموعه داده شرکت تسلا و nasdaq برای اعتبار سنجی و آزمایش الگوریتم استفاده شد. همانطور که در قسمت شبیه سازی نشان داده شده با استفاده از الگوریتم بهینه سازی ملخ بهبود یافته موثرترین خروجی ها برای پیش بینی ارزش سهام به دست آمد و در نهایت با استفاده از چند حالت مختلف پیش بینی انجام شد و نتایج روش های مختلف مورد مقایسه قرار گرفت و ارزیابی بر اساس معیار خطای جذر میانگین مربعات انجام شد. در صورتی که mse به دست آمده کمتر از مقدار مشخص شده ،باشد صرفا از ویژگی های ورودی قبلی استفاده می شود؛ در صورتی که خطا از حد مشخص شده بیشتر باشد از ویژگی های آماری مانند میانگین یک هفته بیشینه و کمینه در یک هفته، چولگی و انحراف معیار و لگاریتم این ویژگی ها استفاده می.شود مدل پیشنهادی پیش بینی بازار سهام برای نماد تسلا دارای مقدار خطای جذر میانگین مربعات 4,05 است که نشان دهنده اثر بخشی روش پیشنهادی در پیش بینی بازار سهام است. نتایج نشان می دهد که در بین الگوریتم های ارائه شده مربوط به پیش بینی سری ،زمانی روش گروهی مدلسازی داده با الگوریتم ترکیبی ارائه شده بهترین نتیجه را در بر داشته است.

stock market prediction using improved grasshopper optimization algorithm and time series algorithms

stock market prediction serves as an attractive and challenging field for researchers in financial markets. many of the models used in stock market prediction are not able to predict accurately or these models require a large amount of input data, which increases the volume of networks and learning complexity, all of which ultimately reduce the accuracy of forecasting. this article proposes a method for forecasting the stock market that can effectively predict the stock market. in this paper, the past market price is used to reduce the volume of input data and this data is placed in a regressor model.