پيش بيني قيمت سهام در بازار بورس اوراق بهادار با استفاده از شبكه ي عصبي فازي و الگوريتم هاي ژنتيك و مقايسه ي آن با شبكه ي عصبي مصنوعي

پيش بيني قيمت سهام در بازار بورس اوراق بهادار با استفاده از شبكه ي عصبي فازي و الگوريتم هاي ژنتيك و مقايسه ي آن با شبكه ي عصبي مصنوعي

سرمايه گذاري در سهام عرضه شده در بورس اوراق بهادار يكي از گزينه هاي پرسود در بازار سرمايه است. بازار سهام داراي سيستمي غير خطي و آشوب گونه است كه تحت تاثير شرايط سياسي، اقتصادي و روانشناسي مي باشد و مي توان از سيستم هاي هوشمند غيرخطي همچون شبكه هاي عصبي مصنوعي شبكه هاي عصبي فازي و الگوريتم هاي ژنتيك براي پيش بيني قيمت سهام استفاده نمود. در اين مقاله به طراحي و ارايه ي يك مدل پيش بيني قيمت سهام با استفاده از شبكه ي عصبي فازي و الگوريتم هاي ژنتيكي و كاهش خطاي پيش بيني قيمت سهام با استفاده از آن نسبت به استفاده از تكنيك شبكه ي عصبي مصنوعي به صورت منفرد پرداخته شده است. در ادامه پس از طراحي و پياده سازي مدل شبكه هاي عصبي فازي و الگوريتم هاي ژنتيك، با استفاده از چهار معيار سنجش خطا، نتايج دو مدل مقايسه شده است. نتايج نشان مي دهد كه مدل تركيبي شبكه هاي عصبي فازي و الگوريتم هاي ژنتيك پيش بيني هاي بسيار مناسب تري داشته و نسبت به شبكه ي عصبي منفرد از سرعت بالاتر و توانايي تقريب قوي تري براي پيش بيني قيمت سهام برخوردار بوده است.

Investment in common stocks is one of most beneficent alternatives in capital markets, therefore forecasting of stock price is great significance for shareholders; however the complexity of stock markets. Most studies revealed stock price in Tehran stock exchange has not random walk pattern. Besides, with regard to nonlinear and chaos system in stock market that eclipsed of political, economical and psychological conditions, we can use nonlinear artificial systems such as artificial neural networks (ANN), fuzzy neural networks (FNN) and genetic algorithms (GA’s) for forecasting stock price. Two goals are aimed in this research: 1- Design and present a model for forecasting stock price, using FNN and GA (GFNN). 2- Reduction the forecasting error of GFNN stock price forecasting model, in compare with mere ANN. At first, for examination of mentioned goals, multi layer perceptron (MLP) of ten listing companies in Tehran stock exchange has been designed. Then, after design and implementation of GFNN, the results of two models, have been compared and hypotheses have been investigated by using error evaluating criteria (MSE, R2, NMSE and MAPE). The results of research show, in compare with mere ANN, GFNN has perfect predictions and has higher speed and more strong estimation for stock price forecasting.