جلیل وزیری کردستانی

جلیل وزیری کردستانی

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۱ مورد از کل ۱ مورد.
۱.

ارزیابی روش ترکیبی PSO-BiLSTM برای پیش بینی قیمت سهام با استفاده از داده های سری زمانی قیمتی سهام (مطالعه موردی: سهام ارزشی بورس و فرابورس ایران)(مقاله علمی وزارت علوم)

کلید واژه ها: پیش بینی قیمت سری های زمانی شبکه عصبی حافظه طولانی کوتاه مدت دوطرفه الگوریتم بهینه سازی ازدحام ذرات سهام ارزشی

حوزه های تخصصی:
تعداد بازدید : 86 تعداد دانلود : 635
در سال های اخیر با افزایش ضریب نفوذ بازار سرمایه، افراد بیشتری متمایل به سرمایه گذاری در بورس شده اند. پیش بینی دقیق قیمت سهام با کمترین خطا می تواند ریسک سرمایه گذاری را کاهش و بازده سرمایه گذاری را افزایش دهد. پیش بینی قیمت سهام به دلیل نوسانات غیرخطی اغلب به عنوان مسئله سری زمانی غیرخطی توصیف می شود که تحت تأثیر عوامل زیادی است. در این پژوهش، روش BiLSTM برای پیش بینی قیمت سهام ارزیابی می گردد. در این راستا، از چندین تکنیک یادگیری ماشین جهت پیش بینی قیمت سهام با استفاده از داده های سری زمانی قیمتهای سهام استفاده می شود و نهایتاً دو روش یادگیری عمیق شامل الگوریتم شبکه عصبی خود بازگشتی (LSTM) و الگوریتم شبکه عصبی خود بازگشتی دوطرفه (BiLSTM) در این راستا پیاده سازی و نتایج آنها مقایسه می شوند. داده های سری زمانی مشخصه های قیمتی شامل قیمت باز، قیمت بسته، قیمت بالا و قیمت پایین برای سهام ارزشی شرکت های پذیرفته شده در بورس و فرابورس اوراق بهادار تهران از ابتدای سال ۱۳۹۲ تا پایان سال ۱۳۹۸، در جهت پیاده سازی روش های مذکور به عنوان مطالعه موردی استفاده می گردند. نتایج این پژوهش نشان داد که مدل ترکیبی PSO-BiLSTM در نظر گرفتن معیارهای ارزیابی RMSE و R-Square خطای کمتری در پیش بینی قیمتهای سهام مورد مطالعه و عملکرد بهتری نسبت به الگوریتم های SVR ،CART ، MLP، LSTM و BiLSTM دارد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان