پيش بيني رفتار قيمتي سهام در بورس اوراق بهادار با استفاده از شبكه ي عصبي مصنوعي (مطالعه موردي شركت پالايش نفت اصفهان)

Forecasting Stock Price Trend by Artificial Neural Networks (Case Study: Isfahan Oil Refinery Company)

شبكه هاي عصبي مصنوعي مدل هايي رياضي مي باشند كه الهام گرفته از سيستم عصبي و مغز انسان مي باشند. در اين تحقيق هدف محقق بر آن است كه به پيش بيني قيمت سهام روز بعد در بورس اوراق بهادار تهران با استفاده از مدل پرسپترون چند لايه از شبكه‌هاي عصبي مصنوعي بپردازد، و با روش هاي مختلف خطاي اين پيش بيني را بهبود بخشد. قيمت گذاري بالاي سهام مي تواند با كاهش تقاضا براي سهام در دست واگذاري، فرايندخصوصي سازي را با شكست مواجه سازد و قيمت گذاري نازل سهام نيز با ايجاد شبهات متعدد در زمينه نحوه واگذاري اموال عمومي، شكست درازمدت سياست واگذاري را به دنبال دارد. باتوجه به اهميت اين مقوله،نو پابودن بازارسرمايه و نيز عدم وجود موسسات تامين سرمايه و بانك‌هاي سرمايه‌گذاري در ايران، پيش‌بيني رفتار قيمت سهام و روند صعودي و يا نزولي بودن آن مي‌تواند در تصميمات و استراتژي‌هاي مديران موثر باشد. مطالعه حاضر با هدف پيش بيني قيمت پاياني سهام با به كارگيري داده‌هاي روزانه از طريق شبكه عصبي صورت پذيرفته است. نتايج بدست آمده نشان مي دهد كه مدل شبكه عصبي داراي خطاي پايين و قدرت توضيح دهندگي بالا و در نتيجه از قدرت پيش‌بيني خوبي برخوردار مي باشد.

Artificial neural networks (ANN) are mathematical models inspired by human’s neural and brain system. This research deals with the next day price forecasting in Tehran’s stock market by MLP, and attempts, by various methods, to reduce the prediction error. High pricing of stocks may lead to low demand for negotiable stocks and the failure of privatization. Raising various doubts in the negotiation of public properties, low pricing results in the long-term failure of negotiation policies. With respect to the importance of this issue, the newness of stock market and the lack of financing institutes and investment banks in Iran, prediction of stock price trend and its ascending and descending order can influence the decisions and strategies of managers. Various variables affect stock prices among which the role of economic indices, such as exchange rate / oil price and gold price is significant. The purpose of the present study is to predict the final prices of stocks by utilizing daily data through neural networks. The results indicate that the ANN model has low error and high explanatory and thus considerable forecasting power.