پیش بینی روندهای کوتاه مدت بازار سهام با استفاده از روش مبتنی بر فازی-عصبی

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

پیش بینی روندهای کوتاه مدت بازار سهام با استفاده از روش مبتنی بر فازی-عصبی

عنوان لاتین

Forecasting stock market short-term trends using a neuro-fuzzy based methodology

یک سیستم فازی-عصبی متشکل از یک سیستم استنتاج فازی (ANFIS) کنترل تطبیقی عصبی مورد استفاده برای کنترل مدل فرایند بازار سهام است، که با استفاده از روش فازی-عصبی تطبیقی شناسایی و برای انواع سهام ها ارزیابی و مشتق شده است. نتایج به دست آمده شکل ضعیف فرضیه بازار کارآمد (EMH) را با نشان دادن پيش بينی های بسیار بهبود يافته و بهتر، در مقایسه با روش های دیگر، روند بازار سهام کوتاه مدت ، و به ویژه روند روز بعد سهام انتخاب شده به چالش کشيده است. کنترل کننده ANFIS و ورودیهای مدل فرایند بازار سهام بر اساس یک مطالعه مقایسه ای، برای تعیین ورودی های مدل فرایند بازار سهام انتخاب شده از ترکيب پانزده قیمت مختلف سهام در گذشته استفاده می کنند که بهترین پیش بینی روند سهام را برای روز بعد از لحاظ خطا ریشه میانگین مربعات بر می گردانند (RMSE). توابع عضویت با شکل- 2 گاوسی بر روی توابع زنگی شکل گاوسی و مثلثی برای فازی کردن ورودی های سیستم با توجه به کمترین RMSE انتخاب شده اند. مطالعات واقعی از داده های در حال ظهور و بازارهای سهام به خوبی توسعه یافته استفاده می کنند- بورس اوراق بهادار آتن - نیویورک (NYSE) - برای آموزش و ارزیابی سیستم پیشنهادی نشان می دهيم که در مقایسه با استراتژی "خرید و نگه داشتن" و روش های گزارش شده دیگر، روش ارائه شده و دقت تجاری پیش بینی شده به مراتب برتر هستند.

A neuro-fuzzy system composed of an Adaptive Neuro Fuzzy Inference System (ANFIS) controller used to control the stock market process model, also identified using an adaptive neuro-fuzzy technique, is derived and evaluated for a variety of stocks. Obtained results challenge the weak form of the Efficient Market Hypothesis (EMH) by demonstrating much improved and better predictions, compared to other approaches, of short-term stock market trends, and in particular the next day’s trend of chosen stocks. The ANFIS controller and the stock market process model inputs are chosen based on a comparative study of fifteen different combinations of past stock prices performed to determine the stock market process model inputs that return the best stock trend prediction for the next day in terms of the minimum Root Mean Square Error (RMSE). Gaussian-2 shaped membership functions are chosen over bell shaped Gaussian and triangular ones to fuzzify the system inputs due to the lowest RMSE. Real case studies using data from emerging and well developed stock markets – the Athens and the New York Stock Exchange (NYSE) – to train and evaluate the proposed system illustrate that compared to the ‘‘buy and hold” strategy and several other reported methods, the proposed approach and the forecasting trade accuracy are by far superior