تعداد نشریات | 20 |
تعداد شمارهها | 1,149 |
تعداد مقالات | 10,518 |
تعداد مشاهده مقاله | 45,420,456 |
تعداد دریافت فایل اصل مقاله | 11,296,290 |
بررسی خطای پیشبینی تغییرات شاخص قیمت سهام در صنعت مواد و محصولات دارویی با استفاده از الگوریتمهای هوش مصنوعی | ||
حسابداری سلامت | ||
مقاله 3، دوره 4، شماره 1 - شماره پیاپی 11، فروردین 1394، صفحه 37-56 اصل مقاله (334.39 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.30476/jha.2015.17010 | ||
نویسندگان | ||
دکتر محمود موسوی شیری1؛ دکتر مهدی صالحی* 2؛ کیانا حمیدهپور3 | ||
1استادیار حسابداری دانشگاه پیام نور | ||
2استادیار حسابداری دانشگاه فردوسی مشهد | ||
3کارشناس ارشد حسابداری از دانشگاه آزاد اسلامی واحد علوم و تحقیقات خراسان جنوبی | ||
چکیده | ||
مقدمه: شاخص قیمت سهام بورس نشاندهنده وضعیت اقتصادی کلی یک کشور است. به همین دلیل، پیشبینی این شاخص برای سرمایهگذاران از اهمیت بسزایی برخوردار است. هدف پژوهش حاضر پیشبینی تغییرات شاخص قیمت سهام در بورس اوراق بهادار تهران با استفاده از شبکههای عصبی است. روش پژوهش: برای انجام این پژوهش از دادههای شرکتهای صنعت مواد و محصولات دارویی پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1391-1385 استفاده شده است. از بین 48 متغیر ورودی 10 متغیر به وسیله الگوریتم بهینهسازی حرکت دستهجمعی ذرات انتخاب شد. این الگوریتم ترکیب بهینهای از متغیرهای تأثیرگذار را شناسایی کرده که متغیرهای مستقل این پژوهش است. سپس، دادههای مربوط به متغیرهای انتخاب شده به طور جداگانه به الگوریتمهای کرم شبتاب، توابع پایه شعاعی، شبکههای چند لایه پرسپترون، رقابت استعماری و شبکه تطبیقی بر اساس نظامهای با منطق فازی وارد شد و این الگوریتمها آموزش داده شد. در ادامه، الگوریتمهای مذکور با دادههای ارزیابی، آزموده شده و به این ترتیب خطای پیشبینی مشخص و بر اساس آن به مقایسه روشها پرداخته شد. برای این منظور از نرمافزارهای متلب نسخههای 6 و 7 و SPSSنسخه 11 استفاده شد. یافتهها: استفاده از متغیرهای تأثیرگذار بر پیشبینی تغییرات شاخص قیمت سهام در الگوریتمهای مورد استفاده در پژوهش حاضر توانسته است خطای پیشبینی تغییرات شاخص قیمت سهام در سطح صنعت مواد و محصولات دارویی را کاهش دهد. نتیجهگیری: نتایج پژوهش نشان میدهد که الگوریتم رقابت استعماری عملکرد بهتری نسبت به سایر الگوریتمها دارد. همچنین، الگوریتمهای پیشنهادی در مجموع توانایی بالایی در پیشبینی شاخص قیمت سهام دارد و خروجی دادهها برای الگوریتم رقابت استعماری، ضریب همبستگی 9404/0 را نشان میدهد. | ||
کلیدواژهها | ||
الگوریتمهای فازی؛ تغییرات شاخص قیمت سهام؛ مواد و محصولات داروی | ||
مراجع | ||
1 Salehi, M.; Kardan, B.; and Z. Aminifard (2012).“Effective Components on the Forecast of Companies’ Dividends Using Hybrid Neural Network and Binary Algorithm Model”, Indian Journal of Science and Technology, Vol. 5, No. 9,pp. 3321-3327.
2 Monjamy, A.; Abzari, M.; and A. Raayati Shavazi (2009). “Predicting the Stock Price in the Stock Market Using Fuzzy Neural Networks and Genetic Algorithms, and by Comparingit with Artificial Neural Network”,Journal of Quantitative Economics (Economics Review), Vol. 6, No.3, pp. 1-26. [In Persian]
3 Kara, Y. and O. Baykan (2011). “Predicting Direction of Stock Price Index Changes Using Artificial Neural Networks and Support Vector Machines: The Sample of the Istanbul Stock Exchange”, Expert Systems with Applications, Vol. 36, No. 2, pp. 3355-3366.
4 Dadashi, I.; Asghari, M.; Zareii, S.; and M. Jafari baii (2013). “Examining the Effect of Capital Structure and Financing on the Technical Efficiency of Pharmaceutical Companies Listed on the Tehran Stock Exchange”, Journal of Health Accounting, Vol. 2, No. 1, pp. 19-1. [In Persian]
5 Mirzaee, H.; Khataii, M.; and Y. Ghanbari (2013). “Investigating the Relationship between Business Risk and Financial Risk with Performance of Pharmaceutical Companies Listed on the Tehran Stock Exchange”, Journal of Health Accounting, Vol. 2, No. 2, pp. 77-91. [In Persian]
6 Kennedy, J. and R. Eberhart (1995).“Particle Swarm Optimization”, Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ, 27 November, pp. 1942-1948.
7 Ansari, Z. and M. Kazemi (2012).“Predicting the Accounting Earnings by Using Multi-Layer Neural Networks Perceptron (MLP) with Comparison to Artificial Neural Networks of Radial Basis Functions (RBF)”, The 1st National Conference on Investigating Methods of Improving Issues in Management, Accounting and Industrial Engineering in Organizations, Gachsaran Islamic Azad University, 2 and 3 February. [In Persian]
8 Tavakkoli Heravi, P. and A. Karimpour (2013). “Reinforced Clustering Fuzzy Neural Networks (ANFIS)”, The 21st Iranian Conference on Electrical Engineering, Shahid Beheshti University Tehran, 14 to 16 May. [In Persian]
9 Pourkazemi, M.; Fattahi, M.; Mazaheri, S.; and B. Asadi (2013). “The Optimization of Portfolio Projects with the Interaction of Colonial Competitive Algorithm (ICA)”, Journal of Industrial Management, Vol. 5, No. 1, pp. 1-20. [In Persian]
10 Yosefi, A. and H. Ebrahim Khani (2012). “The Investigation and Development of Firefly Algorithm for Solving Job Shop Scheduling Problem”, The 9th International Conference on Industrial Engineering, Khajeh Nasir Toosi University of Technology, Tehran, 1 and 2 January. [In Persian]
11 Heydari Zare, B. and H. Kordlouyi (2010). “Predicting the Stock Price by Using Artificial Neural Networks”, Scientific Journal of Management, Vol. 1, No. 17, pp. 49-57. [In Persian]
12 Pak Din Amiri, A.; Pak Din Amiri, M.; and M. Pak Din Amiri (2009). “Presenting the Model for Predicting the Total Stock Price Index with a Neural Networks Approach”, Journal of Economic Literature, Vol. 6, No. 11, pp. 83-108. [In Persian]
13 Kao, L.; Chiu, C.; Lu, C.; and C. Chang (2012).“A Hybrid Approach by Integrating Wavelet-Based Feature Extraction with MARS and SVR for Stock Index Forecasting”, Decision Support Systems, Vol. 54, No. 3 pp. 1228-1244.
14 Hsieh, L.; Hsieh, S; and P.Tai (2011). “Enhanced Stock Price Variation Prediction via DOE and BPNN-based Optimization”, Expert Systems with Applications, Vol. 38, No. 11, pp. 14178–14184.
15 Boyacioglua, M. A. and D. Avci (2010).“An Adaptive Network-Based Fuzzy Inference System (ANFIS) for the Prediction of Stock Market Return: The Case of the Istanbul Stock Exchange”, Expert Systems with Applications, Vol. 37, No. 12, pp. 7908-7912.
16 Daia, W.; Wu, J.; and Ch. Lu (2012). “Combining Nonlinear Independent Component Analysis and Neural Networks for the Prediction of Asian Stock Market Indexes”, Expert Systems with Applications, Vol. 39, No. 4, pp. 44-52.
17 Azar, A.; Afsar, A.; and P. Ahmadi (2006). “The Comparison of the Classic Methods and Artificial Intelligence for Predicting the Stock Price and Designing a Hybrid Model”, Journal of Management Research in Iran, Vol. 10, No. 4, pp. 1-16. [In Persian]
18 Behnampour, M. and A. Safari (2010). “Investigating the Relationship between the Ratio of Price to Earnings Per Share with the Earnings Quality of the Companies Listed on the Tehran Stock Exchange”, Journal of Accounting and Financial Management, Vol. 1, No. 3, pp. 128-151. [In Persian]
19 Khodayi Vale Zaghrad, M. and A. Fouladvandnia (2010). “The Evaluation of the Performance of Management of Portfolio with an Emphasis on the Downside Risk Framework of the Investment Companies Listed on the Tehran Stock Exchange”, Journal of Financial Studies, Vol. 1, No, 3, pp. 67-90. [In Persian]
20 Aghaii, M.; Kazempoor, M.; and R. Mansoor lakoroj (2013). “The Effect of Free Cash Flow and Capital Structure on Different Criteria for Evaluating the Performance of the Material Industry and Pharmaceutical Products Companies Listed on the Tehran Stock Exchange”, Journal of Health Accounting, Vol. 3, No. 2, pp. 15-1. [In Persian]
| ||
آمار تعداد مشاهده مقاله: 1,757 تعداد دریافت فایل اصل مقاله: 1,068 |