مدل تركيبي شبكه هاي عصبي مصنوعي پيش خور و خود سازمانده كوهونن براي پيش بيني قيمت سهام

Using Hybrid Artificial Neural Networks of Back Propagation and Kohonen Self Organizing Map (SOM) to Predict Stock Prices

اين مقاله ضمن ارائه مدلي تركيبي از شبكه هاي عصبي مصنوعي، به بررسي توان پيش بيني كنندگي آنها در مقايسه با مدل هاي منفرد مي پردازد. در اين بررسي، با استفاده از شبكه هاي عصبي تركيبي متشكل از شبكه هاي پيش خور و خود سازمانده كوهونن اقدام به پيش بيني قيمت سهام شده است. نتايج آزمايشات محاسباتي در پيش بيني قيمت سهام شده است. نتايج آزمايشات محاسباتي در پيش بيني قيمت سهام در بازار بورس تهران نشان مي دهد كه تركيب شبكه خود سازمانده كوهونن با شبكه پيش خور، در مقايسه با مدل منفرد شبكه پيش خور كه پر كاربردترين مدل شبكه هاي عصبي مصنوعي در حوزه پيش بيني است عملكرد بهتري در پيش بيني قيمت سهام ارائه مي كند.

In this paper, a hybrid model of artificial neural networks is designed and used to evaluate the prediction ability of this hybrid model with individual Back Propagation feed forward. This study employs hybrid artificial neural networks consisting of Back Propagation and Kohonen Self Organizing Map (SOM) for better stock price prediction. Computational experience in predicting stock prices obtained from Tehran Stock Exchange reveals that the combination of Self Organizing Map and Back Propagation leads to better performance in comparison with the most popular individual Back Propagation feed forward networks.