More Related Content Similar to پیش بینی پیشرفته قیمت سهام با استفاده از
Similar to پیش بینی پیشرفته قیمت سهام با استفاده از (20) پیش بینی پیشرفته قیمت سهام با استفاده از2. آشناییباترکیه کشور اقتصاد
اقتصادشودمی افزوده اشدامنه بر روز به روز که است مدرن و بومی صنایع از ترکیبی ترکیه.تولفراوان یدات
درسال ترکیه کشاورزی۲۰۰۵سال در و آورد بدست را جهان هفتم رتبه۲۰۰۶برای۱۱٫۲٪ترکیه مردم از
کرد ایجاد اشتغال.مه نقش و است رشد حال در سرعت به و قوی نیز ترکیه اقتصاد خصوصی بخشدر می
دارد ارتباطات و نقل و حمل ،بانکداری.رشد و داشته خوبی رشد ترکیه اقتصاد اخیر سالهای در۸٫۹٪و۷٫۴٪
سالهای در را۲۰۰۴و۲۰۰۵استآورده بدست.
استکرده بندی دسته یافته توسعه کشورهای رده در را ترکیه سیا سازمان.سیاس و اقتصاددانانمدارانت
جزو را آن و کنندمی بندیطبقه شده صنعتی تازه کشور بعنوان را ترکیه اغلب۲۰جهان صنعتی کشور
دانندمی.شهر میلیاردرها تعداد نظر از فوربس مجله اعالم اساس بردر استانبولسال۲۰۰۸با۳۵نفر
مسکو از پس میلیاردر(۷۴میلیاردر),نیویورک(۷۱میلیاردر),لندن(۳۶میلیاردر)قرار جهان چهارم رده در
توکیو مانند شهرهایی از لحاظ این از و دارد,هنگکنگ,است پیش داالس و آنجلس لس.
3. سهام قیمت بینیپیش
است کشور هر اقتصادی رشد در مهم بسیار هایشاخص از یکی.قیم دقیق هایحرکت چرایی دلیل بهبازار ت
گیردمی قرار توجه مورد زیادی میزان به سهام.تعیی ،سهام بازار پیچیده و نامعین رفتارهای ،حال هر بهدقیق ن
گ تصمیم فرآیند برای زیادی میزان به و سازدمی پذیرامکان را غیرممکن و قوی بینیپیش هایمدلمالی یرید
است مطلوب گذارانسرمایه.
استفاده مورد های مدل
جستجوی و ژنتیک ، مصنوعی عصبی های شبکه از ترکیبیهارمونی
شاخصهایتکنیکی
کندمی توصیف را ورودی متغیر انتخاب روش.،مورد هر برای۴۵ورودی متغیرهای عنوان به تکنیکی شاخص
شوندمی گرفته نظر در
4. است شده تعریف سهام قیمت تعیین و مشتقات و هاشرکت سهام تجارت برای عمومی بازار یک سهام بازار.
کنند گذاریسرمایه مختلف زمینه روی تا کندمی فراهم کارگزاران و هاشرکت برای را هاییفرصت سهام بازاراین که
باشد می کشورها اقتصادی هایشاخص اولیه شروط از یکی مطلب.
سیاسی رخدادهای مانند عامل چندین با چون ،شودمی توصیف زیادی بسیار حالتهای با سهام بازار ،حال هر بهشرایط ،
دارد تعامل تاجران انتظارات و عمومی اقتصادی.
باع ،پیشرفته ارتباطات و تکنولوژی هایسیستم کمک با رخدادها نوع این هایداده سریع پردازش ،همچنیننوسانات ث
شودمی سهام بازار سریع.
سهام فروش و خرید کارگزاران و بزرگ مقیاس در گذارانسرمایه ،مالی مؤسسات ،هابانک از بسیاری ،بنابراینباید
کنند فروش و خرید ممکن زمان ترینکوتاه در را سهام.
است االنتقالسریع سهام بازار(مدت کوتاه گذاری سرمایه)امکان خاطر به ریاضی و مهندسی ،مالی زمینه دربرگشت
است مطلوب باال.گیرد می قرار بسیاری خارجی گذاران سرمایه توجه مورد بازار این.
5. از استفاده با را سهام بازار بینیپیش قابلیت محققان از بسیاری ،منظور این برایبنی تحلیلیادی،تحلیل
تکنیکیبینیپیش ،زمانی هایسری،ماشینی یادگیری هایروشاندکرده بررسی.هاین کنار دربیشتر ،ا
اندکرده ایجاد گذاریسرمایه تصمیمات و مالی هایداده ارزیابی برای را جدیدی هایروش هاشرکت.همه بین
زمینه در باال اعتبار سطح با بینیپیش روش بهترین عنوان به مصنوعی عصبی شبکه ،هاروش اینبینیپیش های
شودمی دیده سهام مالی بازار.ب باید مصنوعی عصبی های شبکه ساختار اصلی نقاط از برخی ،حال هر بهدقت ه
شود تحلیل.تومی دهدمی شکل را عصبی شبکه بهینه متغیرهای بهینه سطح که چیزی آن تعریفعنوان به اند
،شود گرفته نظر در آن ساختار در اصلی مسائل از یکی
دهدمی قرار تأثیرتحت را بینیپیش دقت مستقیم صورت به ورودی متغیر انتخاب چون اوال.
است مهم مصنوعی عصبی شبکه برای پنهان الیه در هانرون تعداد ،ًادوم.
6. گیریم می نظر در مخفی الیه در هانرون تعداد و ورودی متغیرهای تعیین برای را ترکیبی روش ما ،مقاله این در.
مصن عصبی شبکه عملکرد بینیپیش بهبود برای ابزاری عنوان به ژنتیک الگوریتم و هارمونی جستجویاستفاده وعی
شوندمی.
ب و ویژگی زیرمجموعه انتخاب ،شبکه آموزش برای مصنوعی عصبی شبکه با اغلب ژنتیک الگوریتم ،مقاله درسازیهینه
گیردمی قرار استفاده مورد معماری.عصبی شبکه با هارمونی جستجوی کارگیری به از اصلی کارایی ،حال هر بهمصنوعی
باشد نمی اهداف این.
کندمی ایجاد بهتر هایحلراه با سهام بازار بینیپیش برای را چندگانه ریاضی هایروش ما مطالعه ،بنابراین.
است زیر صورت به مقاله این ساختار:
۱.است پذیرفته صورت که مربوطه کارهای توصیف
۲.حل راه روش
۳.علم از حوزه این در مباحث و نتایج
۴.گیری نتیجه
7. بر مروریمقاله
سال در استنابول بورس مبادله برقراری با ترکیه سهام بازار اهمیت۱۹۸۶است کرده پیدا افزایش.سال در آن برقراری زمان از
۱۹۸۶استانبول بورس ،بازارحجم عنوان با را سریعی رشدها بازار در گذاری سرمایه و تجارتشد لیست هایشرکت تعداد ،و ه
است کرده دنبال خارجی گذاریسرمایه.
خارجی و داخلی گذاران سرمایه و است باال جهان در دیگر مالی بازارهای از بسیاری مانند به بازار این در نوسانات میزان چونآن به
میدهند ای ویژه اهمیتکنمی دنبال را مختلفی هایروش و است هامقاله از بسیاری هدف سهام حرکت بینیپیش ،رو این ازد.بین
است گراداده مصنوعی عصبی شبکه ،هاروش این همه.د مناسب تکنیک یک مصنوعی عصبی شبکه ،ویژگی چنین بابا برخورد ر
است سهام بازار غیرخطی و پیچیده و پویا هایداده.
نویسندگانادراکات شامل که کردند استفاده مختلف مصنوعی عصبی شبکه شش ازچندالیه(MLP)برایمقدار بینیپیششاخص
است استانبول بورس بازار.
نویسندگانمبادله نرخ ،قبلی روز شاخص مقدار ازYTL/USDو روز به مربوط شب طول در بهره نرخ ،قبل روز۵ساختگی متغیر
بود ورودی عنوان به هفته کاری روزهای دهندهنشان کدام هر که کردندمی استفاده.
8. بدست مخفی الیه یک با هادقت باالترین ،مصنوعی عصبی شبکه مدل هر برای که دهندمی نشان نتایجو آیندمی
حال در هایمیانگین آمده بدست نتایج با مقایسه در را تریدقیق نتایج مصنوعی عصبی شبکه هایمدلحرکت
دهدمی.سال در دایم ،تولو کایاک ،گورسن۲۰۱۱شامل مصنوعی عصبی شبکه هایمدل ،MLPعصبی شبکه ،
کردند مقایسه خنثی عصبی هایشبکه و پویا مصنوعی.عصب شبکه کالسیک مدل که شدند متوجه آن،مصنوعی ی
MLPدهدمی مقایسه این در استفاده مورد هایروش سایر مقابل در را اعتمادتری قابل نتایج.
نیازاین از استفاده بهدر روشISE:
ییلدیزسال در کوکسان و یاالما ،۲۰۰۸جهت بینیپیش برای مصنوعی عصبی شبکه از۱۰۰ISEاستفاده با ملی
متغیر عنوان به پاسخ هاینرخ و مبادله نرخ ،قیمت نزدیکترین ،روز طول در هاقیمت کمترین و باالترین ازورودی های
کردند استفاده.بین سهام بازار بینیپیش دقت دهدمی نشان قبلی مطالعات نتایج۶۰%و۷۰%مدل رواین از و است
است نیاز مورد ترکیه سهام بازار در بینیپیش دقت افزایش برای مصنوعی عصبی شبکه.
، جهان کل در بهادار اوراق بازار الخصوص علی مالی بازارهای کارایی افزایش بامدل انواع از بسیاری ،بنابراینهای
کنند ایجاد را کاراتری بینیپیش هایمدل تا اندشده ایجاد مصنوعی عصبی شبکه.
9. قیم بینی پیش مورد در مصنوعی عصبی های شبکه محوریت با تحقیقات از هایی نمونهسهام ت
جهان در:
سل در چوانگ و چین۲۰۰۳س بازار توانایی بینیپیش برای توانایی مصنوعی عصبی شبکه که دادند نشانتایوان هام
دارد.۵مخفی هاینرون و ورودی هاینرون تعداد مورد در تا شدند ایجاد متفاوت مصنوعی عصبی شبکه مدل
کنند گیریتصمیم.مصن عصبی شبکه چارچوب تحت بندیخوشه روش و بندی دسته تکنیک ،همچنینبا وعی
گرفتند قرار استفاده مورد کمی و کیفی هایعامل.
سال در انتظاری و دهنوی ،الدین ،مشابه صورت به۲۰۱۲قیمت اندیس بینیپیش برای مصنوعی عصبی شبکه از
کردند استفاده تایوان سهام مبادله روی سهام.
هایحرکت موقعیت بینیپیش برای تکنیکی هایشاخص به پایین و باال قیمت شاخص ،هاقیمت بستنسهام قیمت
شدند تبدیل.شد تعیین تجربی صورت به مخفی الیه در هانرون تعداد ،مطالعه این در.
سال در انقیاد و دستگیر۲۰۱۲ارزی تهران سهام مبادله قیمت شاخص بینیپیش روی تمرکز با را ایران سهام بازارابی
است ایران سهام بازار شاخص ترینمهم شاخص این که کردند.
10. روشحلراه:
ورودی متغیر انتخاب روش
،مورد هر برای۴۵شوندمی گرفته نظر در ورودی متغیرهای عنوان به تکنیکی شاخص
است واقعی بازار موقعیت توصیف برای مؤثری ابزارهای تکنیکی هایشاخص.تمی تکنیکی هایشاخص از استفاده بااطالعات واند
باشد داشته خالص هایقیمت با مقایسه در را بهتری.س مدیران و سهام هایکننده تحلیل برای تجربی روش یک این وبرای هام
است سهام بازار تحلیل.چون ،باشد موجود گذارانسرمایه برای مناسب حلراه یک تواندنمی تکنیک این ،دیگر سوی از
ت هایشاخص اغلب و شوندمی گرفته نظر در بینیپیش هایعامل عنوان به که هستند دسترس در تکنیکی هایشاخصکنیکی
هستند درک غیرقابل عادی حالت در که هستند.س از بردن سود برای کلیدی تکنیکی هایشاخص انتخاب ،بنابراینگذارانرمایه
است سهام بازار.
به روشی هیچ حال هر بهصورت۱۰۰%کند رقابت بازار در و باشد موفق تواند نمی.هرب منحصر هایویژگی سهام یا سهام شاخصه
دارد فردی.بهویژگی که معنی اینAسهام آینده هایقیمت بینیپیش در مهمی نقشXویژگی کهحالی در ،داردBعنوان به
شودمی گرفته نظر در سهام برای افزونه.ندارد احتمال که رسدمی نظر به ،دلیل این به:ویژگیAبرای خوب کننده بینیپیش یک
باشد سهام هر.داشت خواهند اثر سهام بازار قیمت بر متفاوتی های مولفه خالصه طور به و.
11. استفاد متفاوت هایسهام یا و متفاوت زمانی هایدوره در هافعالیت بینیپیش برای باید متفاوت هایویژگیشوند ه.در
اندیس بینیپیش برای مصنوعی عصبی شبکه ورودی متغیرهای عنوان به تکنیکی هایشاخص ،ما مطالعهسهام بازار
شوندمی استفاده.ژنتیک الگوریتم,برای تنها نه ،شوندمی یکپارچه مصنوعی عصبی شبکه با هارمونی جستجویاینکه
ک شوندمی استفاده هاییشاخص تعیین برای بلکه ،کنند سازی بهینه را مصنوعی عصبی شبکه معماریاثر ترینمهم ه
دارد عملکرد بینیپیش روی را.
ژنتیک الگوریتم از استفاده برای کنندهتضمین منطق,بود مفید ارزیابی برای ،متغیر انتخاب برای هارمونی جستجوین
است مفروض مدل کردن ساده برای غیرمربوط متغیرهای حذف و هاشاخص.
ژنتیک الگوریتم توسط شده گرفته نظر در هایشاخص تعداد برای محدودیتی هیچ که کرد توجه باید,جستجوی
ندارد وجود هارمونی.
12. شبکهمصنوعی عصبی
عصب سلول هایشبکه کندمی تالش مصنوعی عصبی شبکهسیستم ی
کند سازیشبیه را مرکزی عصبی.
ب عصبی اطالعات وب با مغز فیزیکی ساختار و اطالعات پردازشرابر
شوندمی.
طراحیبینیپیش مسئله برای مصنوعی عصبی شبکه مدلخالص
مشکلاست.
روشیبرایمحاسبهاستکهبرپایهاتصالبههمپیوستهچندین
واحدپردازشیساختهمیشود.
شبکهازتعداددلخواهیسلولیاگرهیاواحدیانرونتشکیلمیشود
کهمجموعهورودیرابهخروجیربطمیدهند.
Input 0 Input 1 Input n...
Output 0 Output 1 Output o...
O0 O1 Oo
H0 H1 Hm
...
...
Hidden Layer
13. عصبی های شبکه قابلیتهای:
محاسبهیکتابعمعلوم
تقریبیکتابعناشناخته
شناسائیالگو
پردازشسیگنال
یادگیری
مسائلمناسببراییادگیریشبکههایعصبی
خطاداشته وجود آموزشی های داده درباشد.
مثلدادهای از حاصل نویز دارای آموزشی های داده که مسائلی
هستند ها میکروفن و دوربین نظیر سنسورها.
ویژگی زوج زیادی مقادیر توسط ها نمونه که مواردی-نشان مقدار
باشند شده داده.ویدئوئی دوربین یک از حاصل های داده نظیر.
تابعباشد پیوسته مقادیر دارای هدف.
باشد داشته وجود یادگیری برای کافی زمان.مقایس در روش اینبا ه
برای بیشتری زمان به نیاز تصمیم درخت نظیر دیگر روشهای
دارد یادگیری.
نیازیبهتعبیرتابعهدفنباشد.زیرابهسختیمیتوانوزنهای
یادگرفتهشدهتوسطشبکهراتعبیرنمود.
15. شود گرفته نظر در دقت به باید مدلسازی موضوعات.متغیرهای تعداد مانند مناسب معماری تعیین،ورودی
شود گرفته نظر در اصلی عامل عنوان به تواندمی الیه هر در پنهان هاینرون و پنهان هایالیه.
توا تخمین برای شبکه توانایی با پنهان الیه هر در هانرون و پنهان هایالیه تعداد ،مثال عنوان بهبع
است متناسب ترپیچیده.عم هاشبکه پیچیده ساختارهای که شودنمی استنتاج چنین ،حال هر بهلکرد
داشت خواهد بهتری.
.عمل و شوندمی ارائه مطالعه این در متفاوت بینیپیش مدل سه ،هافرضیه این بردن بین از براینیز آنها کرد
شوندمی مقایسه.
16. مدل دو پارامترهای ،دهدمی نشان آنها نام که همانگونهمفروضهارمونی جستجوی از استفاده با,ژنتیک الگوریتم
شوندمی تنظیم.مدلکندنمی استفاده سازیبهینه روش هیچ از سوم.مس صورت به سوم مدل ،بنابرایناز تقیم
کندمی استفاده مصنوعی عصبی شبکه آموزش برای شده گرفته نظر در هایویژگی همه.ک توجه بایدکه رد۱۰
شوندمی انتخاب سوم مدل برای اختیاری صورت به مخفی الیه در نرون.
مدل پارامترهای
17. •Architecture of the proposed neural network (Ahmed et al.. 2007
•P،است ورودی الگویb1و مخفی هاینرون روی شده گیریجهت اوزان بردارw1یک الیه و صفر الیه بین وزن ماتریس
است.
18. P،است ورودی الگویb1و مخفی هاینرون روی شده گیریجهت اوزان بردارw1الیه و صفر الیه بین وزن ماتریس
است یک.
A1و مخفی هاینرون از هاییخروجی شامل که است برداریn1هاینرون از که است خالص هایورودی شامل بردار
و آیندمی مخفیn2روند می خروجی الیه به که است خالص هایورودی شامل ستونی بردار.
W2و دوم و اول الیه بین سیناپسی وزن ماتریسb2هاینرون گیریجهت هایورودی شامل که است ستونی بردار
است خروجی.ماتریس از ردیف هرw2است مربوطه خروجی نرون برای سیناپسی اوزان شامل.
ع به و کندمی ضرب مربوطه اوزان در را اطالعات این سپس و کندمی دریافت محیط از را اطالعات نرون ،ابتدا درنوان
شودمی استفاده انتقال سازیفعال تابع در پارامتر.خ مقادیر به رسیدن از پیشگیری برای انتقال توابعبزرگ یلی
کنند تحلیل مصنوعی عصبی شبکه ساختار توانندمی که شوندمی استفاده.ان تابع ،مخفی الیه برایبرای مناسب تقال
هستند نیاز مورد شبکه در بودن خطی غیر معرفی.خ و ورودی بین را خطی غیر رابطه تا دهدمی را قدرتی چونروجی
آورد بدست.
19. ژنتیک الگوریتم بینی پیش مدل-عصبی شبکهمصنوعی
روش و شود گرفته نظر در باید پارامترها از تعدادی ،شودمی ساخته مصنوعی عصبی شبکه وقتیهای
است مصنوعی عصبی شبکه ساخت برای نامحدودی.ت از مهمی بخش ورودی متغیر انتخاب ،مقاله دروسعه
عملک تواندمی ضعیف انتخاب که است منفی اثر خاطر به که شودمی مصنوعی عصبی شبکه مدلشبکه رد
دهد قرار تأثیرتحت آموزش از بعد و آموزش طول در را مصنوعی عصبی.الگوریتم از ما ،مطالعه این در
کنیممی استفاده ورودی متغیر انتخاب کمبودهای بر غلبه برای ژنتیک.روش ژنتیک الگوریتمجستجوی
س در ژنتیک و داروین طبیعی انتخاب تا مستقیم آنالوژی براساس عمومی انطباقی سازیبهینههاییستم
است بیولوژیکی.
20. ژنتیک الگوریتم از استفاده مزایای:
الگوریتمتضمی تکامل طول در مختلف هاینمونه بین را جدید و بهتر هایجمعیت توسعه ژنتیکنکندمی.
ا ،شوندمی استفاده فردی اطالعات برای فقط ابتکاری فرا استاندارد هایالگوریتم بیشتر اگرچهژنتیک لگوریتم
دهندمی انجام بهتر هایحلراه روی تحقیق آنها که کندمی استفاده زمانی فردی هایجمعیت اطالعات از.
سبهینه مسائل و جستجو در را خودش موفقیت ژنتیک الگوریتم که کرد توجه باید ،این برعالوهاثبات ازی
است کرده.
ب هایگیریجهت برای ناشناخته تخقیق فضای درباره شده انبار اطالعات استخراج برای آن تواناییعدی
باشد موفقیت برای مهمی دلیل تواندمی مفید فضاهای زیر در تحقیق.
22. ژنتیک الگوریتم مدل مزیت-مصنوعی عصبی شبکه
درژنتیک الگوریتم بین افزایی هم,استفاد متغیرهای انتخاب برای اولی که است مصنوعی عصبی شبکهه
کندمی استخراج را شده انتخاب متغیر دومی و شودمی استفاده ،شده.
ن چون ،شودمی استفاده مخفی الیه در هانرون تعداد تعیین برای ژنتیک الگوریتم ،روش همین درهایرون
ش حد از بیش آموزش باعث توانندمی بسیاری هاینرون یا ،کنند محدود را رابطه توانندمی ناکافیوند.
ر هامدل در بینیپیش دقت توانمی مستقیم صورت به هانرون تعداد بین صحیح تعادل داشتن باتأثیرتحت ا
داد قرار.
24. نمایشکروموزم
اس حلراه نمایش برای کروموزوم کدگشایی با شده حاصل اپراتور ترین مهم و اولین کروموزم نمایشت.در
تع با را ممکن هایکروموزوم و شودمی استفاده ژنتیک الگوریتم در باینری کدگشایی ،مقاله اینکمتر داد
دهدمی هاالل.نظر در کروموزم و شودمی استفاده مطالعه این در باینری کدگشایی ،مشابه صورت بهگرفته
است بخش دو شامل شده:۱)و متغیر انتخاب۲)هاینرون تعداد تعیینمخفی.ژن ،شود انتخاب متغیر اگر
گیردمی را صفر مقدار صورت این غیر در ،گیردمی را یک کد.شو انتخاب گره اگر ،مشابه صورت بهژن ،د
شودمی کدگذاری صفر با برابر صورت صورت این غیر در ،شود کدگذاری یک با برابر.ک کلی طولبه روموزوم
شودمی گرفته نظر در هانرون کل تعداد و شودمی تعیین متغیرهایی تعداد کل جمع عنوان.
25. شودمی آغاز تصادفی صورت به شده تولید اولیه جمعیت با ژنتیک الگوریتم.
جمعیتدهمی نشان را مخفی هاینرون تعداد و متغیرها تعداد که است هاییکروموزم تعداد شامل اولیهد.
بعدمتوا تکرارهای طریق از ها کروموزم ،شدند انتخاب جمعیت کل بری تناسب مقادیر همه اینکه از،لی
شوندمی نامیده هانسل.
ژنتیک الگوریتم اپراتورهای ،بعدی نسل هایجمعیت تولید برای و تولید تنوع به رسیده برای،انتخاب مانند
شوندمی فعال جهش و متقاطع.
26. جهش و متقاطع اپراتورهای
ت صورت به آنها کروموزم هایرشته و شدند انتخاب تصادفی صورت به کروموزم دو ،متقاطع اپراتور درصادفی
کنند تولید را جدید هایکروموزوم تا شدند بریده.صو به ابتدا در والدها از جفت یک ،زمینه این دررت
شدند انتخاب گیریجفت ظرف از تصادفی.ه کنار در ،شودمی نامیده تقاطع که نقطه یک ،سپسطول مان
انتخاب تصادفی صورت بهشوندمیتولید ،خوردند گره متقاطع رشته دو اینکه از بعد اطالعات وبچه
کنندمی.
27. سپسکند اعمال را تصادفی جستجوی جستجوی کوچک مقادیر تا شودمی اعمال جهش اپراتور ،.بدون
شوندمی اعمال جمیعت درون دسترس در هایژن فقط به هاکروموزوم ،جهش.
جهش مرحله
28. از بعدجهشرودمی پیش دو مرحله تا ژنتیک الگوریتم توسط آمده بدست منتخب حل راه ،.
بهترینشوندمی ذخیره بعدی هاینسل برای فرد دو.
شودمی تکرار نسل چندین برای تکراری فرآیند این.
شود تأمین سازینهایی ضابطه که رسدمی پایان به زمانی ژنتیک الگوریتم اجرای.
شودمی طراحی اجرا نتیجه عنوان به اجرا طول در فرد بهترین.
29. هارمونی جستجوی بینی پیش مدل-مصنوعی عصبی شبکه
است باند یک در هادانموسیقی بهبود فرآیند اساس بر هارمونی جستجوی.
درقرار استفاده مورد موازی صورت به توانمی را هارمونیک گروه چندین ،هارمونی جستجوی الگوریتمداد.
شودمی منجر بهتر کارایی با بهتر سازیپیاده به اغلب مناسب گراییموازی.
بر کلیدی ،سازیمتنوع و بخشیشدت خوب تعال همانند گراییحذف با گراییموازی خوب ترکیبای
ابتک فوق الگوریتم موفقیت برای کلیدی همچنین و است هارمونی جستجوی الگوریتم موفقیتاست اری.
دارد نیاز کمتری ریاضی محاسبات و است ساده سازیپیاده و مفهوم در هارمونی جستجوی.
زمی از بسیاری در سازیبهینه روش عنوان به آمیزموفقیت صورت به هارمونی جستجوی ،بنابراینهاینه
از بسیاری برای رقابتی روش یک عنوان به که است شده گزارش و است شده اعمال مهندسی و علمیرقبا
است.
31. هارمونی جستجوی مدل ما ،مقاله این در-ورود متغیر ترینمناسب تعیین برای را مصنوعی عصبی شبکهو ی
کنیممی فرض مخفی الیه در هانرون تعداد.
اولینهارمونی جستجوی مدل در گام-تقسیم تست و آموزشی هایداده مجموعه به مصنوعی عصبی شبکه
شودمی.
عالوهش پذیریتعمیم توانایی تا شوندمی تقسیم هاییزیرمجموعه به آموزش هایداده مجموعه ،این بربکه
بدهند را مصنوعی عصبی.
روی را منتخب هایحلراه ما ،منظور این برای۵میانگین به و کردیم ارزیابی متفاوت زیرمجموعهMSE
رسیدیم.شودمی انجام هارمونی جستجوی با خطا این سازیکمینه.
32. فرموله سازیبهینه محیط در باید مسئله ،هارمونی جستجوی اعمال برایشود
زیر هایمحدودیت و هدف به تارسید.
MINIMIZE( OR MAXIMIZE)XIf(X)
)که است هدف تابعxگیریتصمیم متغیر از متشکل حل راه بردارxiو استxiمحدوده از ایمجموعه
گیریتصمیم متغیر هر برای ممکن مقادیرxiاست.LXIوUXIمتغیر هر برای پایین و باال حدود
هستند گیریتصمیم.باید هارمونی جستجوی الگوریتم متفاوت پارامترهای مقادیر ،این بر عالوهشود تعیین.
است هارمونی حافظه اندازه شامل پارامترها این.
0 1 jx Lx (Ux Lx ).rand[ , ]i i ii
33. هارمونی حافظه آغاز
HMتعداد شامل اولیه(تعدادی یا)HMS(است)کنندمی تولید را حل راه بردارهای تصادفی صورت به که.
در حل راه بردار جزء هرHMب حدود بین یکنواخت صورت به شده توزیع تصادفی تعداد از استفاده باو االیی
که شودمی آغاز مربوطه گیریتصمیم متغیر پایینی1<i<Nاست.Iحل راه جز ْمیناjمعادله صورت به ْمازیر
ارائهگردد می.
0 1 jx Lx (Ux Lx ).rand [ , ]i i ii
34. کهj=1,2,3, …, HMS, rand[0,1]ی و صفر بین یکنواخت صورت به شده توزیع تصادفی تعدادک
است.ح راه بردار برای هدف تابع ،است تصادفی صورت به شده تولید حلراه بردار شامل ردیف هرلjْما
صورت بهشود می مشخص.
•شود می بیان زیر معادله صورت به گرفته شکل ماتریس:
j
f( x )
( ,1: )
( , 1) ( )
j
j
HM j N x
HM j N f x
35. HMاندزه باHMS*(N+1)نمایش زیر ماتریس با توانمی راداد:
1 1 1 1 1x x x ... x f(x )N1 2 3
HM
HMS HMS HMS HMS HMSx x x ... x f(x )N1 2 3
36. دهدمی نشان را مخفی الیه هاینرون تعداد ردیف هر مقدار اولین.این مورد در را اطالعاتی ،هاردیف بقیه
خیر یا شوندمی انتخاب ،شده گرفته نظر در متغیرهای آیا که دهندمی.ه تابع ،ردیف هر مقدار آخریندف
دهدمی را مربوطه ردیف.
•ماتریس نمایشHM
37. هایداده مجموعه توصیفی آمارتست
Table 5
Descriptive statistics of testing and training dataset
Test datasetTrain dataset
74373.3150082.53Mean
4494.8514858.80Standard deviation
1604000Length
38. است الزم هارمونی جستجوی الگوریتم برای که شودمی ساخته جدید هارمونی این.در
جدید هارمونی بردار یک هارمونی جستجوی ،ساختاز استفاده با
شودمی ساخته زیر قوانین:تصادفی انتخاب و ،دسته تنظیم ،حافظه بررسی.الگوریتم
ت یا محاسبتی هوش گرفتن نظر در برای عملیات سه شامل اصلی هارمونی جستجویصادفی
معادله همانند بودنزیر:
1 2, ,..... Nx x x x
1 2
, ,..., , ( )
, (1 )
HMS
i i i i
i
i i
x x x x HMCR
x
x X HMCR
39. شودمی تولید تصادفی تعداد ،مرحله این در.از کمتر مقدار این اگرHMCRیک مقدار ،باشد
شودمی انتخاب صفر صورت این غیر در ،شودمی انتخاب.متغ هر ،حافظه بررسی از بعدیر
خ یا است الزم نصب تنظیم آیا که کند تعیین تا شودمی ارزیابی گیریتصمیمیر.
40. تولیدHMجدید
شودمی محاسبه هارمونی بردار برای هدف تابع مقدار ،جدید مقادیر انتخاب از بعد.ا اگرین
گرف نظر در ماتریس در سپس ،باشد هارمونی ماتریس در هارمونی بردار از بهتر مقدارته
شودمی گرفته ماتریس از بدتر مقدار کهحالی در ،شودمی.هار حافظه ماتریس ،سپسبا مونی
شودمی منظم هدف تابع مقدار با کاهشی نظم.ضابط که شودمی تکرار زمانی تا اینه
خیر یا شودمی تأمین شده انتخاب پیش از تعداد حداکثر سازیپایان
41. بحث و نتایج
د هایبینیپیش برای جدید ترکیبی سهام قیمت بینیپیش مدل یک ایجاد مطالعه این اصلی هدفقابل و ترقیق
است اعتمادتر.
درشوندمی انتخاب مصنوعی عصبی شبکه مدل برای متغیرها ،بخش اولین.
درکنیممی استفاده شده گرفته نظر در متغیرهای همه از ما ،عادی مصنوعی عصبی شبکه مدل.
بههارمونی جستجوی هایمدل در ،حال هر-مصنوعی عصبی شبکه,ژنتیک الگوریتم-ما ،مصنوعی عصبی شبکه
دهیممی کاهش را بهینه مجموعه زیر با شده تنظیم متغیرهای تعداد.
بین۴۵ژنتیک الگوریتم ،مربوطه متغیر-مصنوعی عصبی شبکه۲۶ورودی متغیر زیرمجموعه عنوان به را متغیر
هارمونی جستجوی و کندمی انتخاب بهینه-مصنوعی عصبی شبکه۲۳زیرمجموعه عنوان به را ورودی متغیر
کندمی انتخاب بهینه متغیر.
شودمی تعیین مخفی الیه در هانرون بهینه تعداد ،مشابه صورت به.پ هایمدل برای که کرد توجه بایدبینییش
ژنتیک الگوریتم-مصنوعی عصبی شبکه,هارمونی جستجوی-با برابر مخفی الیه تعداد ، مصنوعی عصبی شبکه
شودمی گرفته نظر در یک.
42. و تست هایداده مجموعه ،است مجزا مجموعه دو به هاداده تقسیم اینجا در اصلی مسئله
آموزش.
اگرچههایویژگی مانند عامل چندین ،ندارد وجود مسئله این برای عمومی حلراه هیچ
گرفت نظر در تصمیم این ساخت در باید دسترس در هایداده اندازه ،هاداده نوع ،مسئلهه
شوند.
44. کندمی تولید آموزشی هایداده مجموعه روی را کمتری خطاهای عادی مصنوعی عصبی شبکه.
جز به هاشاخص همه در را باالتری خطاهای ،گیریتست عملکرد در ،حال هر بهMAREبه ،کندمی تولید
پتعمیم توانایی و سپردمی خاطر به را آموزشی مجموعه عادی مصنوعی عصبی شبکه که معنی اینرا ذیری
دهدمی دست از.شودمی نامیده حد از بیش تناسب عنوان به موقعیت این.
هارمونی جستجوی هایمدل عملکرد وقتی-مصنوعی عصبی شبکه,ژنتیک الگوریتم-مصنوعی عصبی شبکه
جستجوی مدل ،اول شاخص سه جز به آموزش داده مجموعه در که است مشخص ،شوندمی آزمایش
هارمونی-ژنتیک الگوریتم مدل با مقایسه در را باالتری خطاهای مصنوعی عصبی شبکه-عصبی شبکه
کندمی تولید مصنوعی.هارمونی جستجوی مدل ،گیریتست دوره در ،حال هر به-مصنوعی عصبی شبکه
ژنتیک الگوریتم مدل با بهتری عملکرد-تول را کمتری خطای که معنی این به ،دارد مصنوعی عصبی شبکهید
کندمی.
هارمونی جستجوی که معنی این به-مقایسه در کمتری پذیریتعمیم توانایی مصنوعی عصبی شبکهمدل با
ژنتیک الگوریتم-دارد مصنوعی عصبی شبکه.،آماری ضرر توابع بینMAPEتریدوستانه انسان هایویژگی
کندمی بیان درصد صورت به را خطا و دارد.هارمونی جستجوی که کنید توجه-مصنوعی عصبی شبکه
۳,۳۸%است قبول قابل خطای نرخ که کنندمی تولید را خطا.
45. هارمونی جستجوی مدل ،نتایج با مطابق-مقایس در بهتری عملکرد مصنوعی عصبی شبکهبا ه
دارد آماری ضرر تابع عنوان با بینیپیش هایمدل سایر.
ر باالتری بینیپیش خطاهای عادی مصنوعی عصبی شبکه مدل که کرد توجه بایدتولید ا
کندمی.هستند ترپایین آموزشی عملکرد در مقادیر ،عادی ضرر تابع در.
ک تست را جدید دادهای مجموعه باید ما ،بینیپیش هایمدل عملکرد ارزیابی منظور بهنیم.
شودمی نامیده گیریتست عملکرد ،عملکرد این.بیپیش برای مناسب شاخص یکعملکرد نی
است.دارند کوچکتری و بهتر هایویژگی ،هاشاخص این همه که کنید توجه.
46. درقیمت اطالعات ،مطالعه اینشاخصBIST100بین۲۰۰۵/۰۸/۰۶و۲۰۱۳/۵/۲۷تست عنوان به
قرار استفاده مورد هامدل بینی پیش عملکردگرفتند.
دهدمی نشان را زمانی هایسری در شده بینیپیش و واقعی هایقیمت.است بخش دو شامل شکل هر.در
پایین بخش در که حالی در ،شوندمی داده نمایش شده بینیپیش واقعی هایقیمت ،باالیی بخشمقدار ،ی
شوندمی داده نمایش شده بینی پیش مقادیر منهای واقعی.
هایسری عنوان به شده بینیپیش مقادیر با مقایسه در واقعی هایقیمتمقادیر زمانیبرای تفاوتداشتن
هستند کافی مدل بینیپیش چگونگی از کلی دیدگاه.تفاوت گراف یک در که کرد توجه بایدبینیپیش
باشند صفر اطراف در باید مقادیر این کامل؛.بپیش یک از انحرافات دهنده نشان صفر از انحرافاتخوب ینی
هارمونی جستجوی بینیپیش عملکرد که گفت توانمی و است-سایرین با مقایسه در مصنوعی عصبی شبکه
است بهتر.
گیرندمی قرار صفر از دورتر هاتفاوت ،عادی مصنوعی عصبی شبکه و ژنتیک الگوریتم در.
48. ندارند عملی گذارانسرمایه برای زیادی مفهوم آماری عملکرد هایمقیاس.بینپیش مدل مالی عملکردباید ی
کند ارزیابی را بینیپیش مدل تا شود آزمایش.ع گذارسرمایه فروش و خرید رفتارهای توانیممی مارا ادی
کنیم سازیشبیه.قیم در افزایش انتظار او اگر ،بخرد بازار از را خودش سهام باید گذارسرمایه یکرا هات
ت سپس ،کندمی بینیپیش را هاقیمت در کاهش گذارسرمایه یک ،مشابه صورت به ،باشد داشتهکندمی الش
کند جلوگیری بالقوه ضررهای از تا بفروشد را خود مالی هایدارایی تا.ب را باال ساده تجاری منطق ماا
کنیممی سازیشبیه مفروض هایمدل بینیپیش نتایج از استفاده.ن کاغذ روی تجارت الگوریتموشته
شودمی.گرداندبازمی را هاتراکنش از آمده بدست کاغذی سودهای الگوریتم این.و کسب هایهزینه ماو کار
گیریممی نادیده محاسبات سازیساده برای را مالیات.
49. شوندمی مقایسه منفعل کار و کسب استراتژی با مفروض هایمدل مالی عملکردهای.در
و خردمی تجارت دوره شروع از را سهام گذارسرمایه یک ،نگهداری و خرید استراتژی
بنددمی را هاقیمت و فروشدمی تجارت دوره انتهای در را هایشدارایی.
شود می محاسبه زیر صورت به تراکنش این از درصد واحد در برگشت:
t n t
t n
P P
r
P
50. هاینمایش ودوره در سهام اندیس آخر و اول روزهای در شده بسته هایقیمت دهنده
هستند گیریتست.
ضرر به کار و کسب استراتژی نتیجه۱۳,۴۱%هارمونی جستجوی مدل در-وسود مصنوعی عصبی شبکه
۶,۰۴%ژنتیک الگوریتم مدل در کهحالی در ،رسدمی مدل همین در-مصنوعی عصبی شبکه۱,۲سود درصد
طول در۱۶۰دورهدارد وجود کار و کسب.ضرر به عادی مصنوعی عصبی شبکه ،روش این با۲۰,۶۳%
رسدمی
t n t
t n
P P
r
P
t nptp
Table 7
AComparisonof the proposedmodel,sperformanceswith a passivetrading
strategy
Regularشبکهعصبیمصنوعیmodelالگوریتمژنتیک-شبکهعصبی
مصنوعیmodel
جستجویهارمونی-شبکهعصبی
مصنوعیmodel
-0.206260.0112210.060406Return from
investment
-0.13405-0.13405-0.13405Buy and hold
51. گیری نتیجه
دا قرار بررسی مورد ممکن جای تا را سهام بازار قیمت بینیپیش جهان سرتاسر در محققان ،سالیان طی درتا ،دند
برسند گذاریسرمایه تصمیمات بهترین به.بپیش هایمدل اثربخشی مورد در ایمصالحه هیچ ،حال هر بهوجود ینی
دارد ادامه بینیپیش هایمدل اثربخشی بهبود روی محققان تحقیق رواین از و ندارد.ت مدل یک ،مقاله اینرکیبی
پیش عملکرد تا است کرده ارائه مصنوعی عصبی شبکه روش و ابتکاری سازیبهینه روش براساس جدیدبازار بینی
بخشد بهبود آماری و مالی عنوان با را سهام.
د مصنوعی عصبی شبکه ساخت که دادیم نشان ما ،ترکیبی مصنوعی عصبی شبکه هایمدل توسعه باسازیپیاده ر
د مخفی الیه در هانرون تعداد تعیین و متغیر انتخاب در زیادی هایقابلیت ما مفروض مدل چون ،است سادهارد.به
ابتدا در ما ،تکنیکی هایشاخص ترینمناسب انتخاب منظور۴۵در و کردیم تنظیم را شده تعیین پیش از متغیر
تحلیل انتها۲۶و۲۳ژنتیک الگوریتم هایمدل با ایافزونه غیر متغیرهای عنوان به متغیر,هارمونی جستجوی
شدند تعیین.کرد پیدا کاهش نیم به متغیر انتخاب پیچیدگی که معنی این به.تعی ،این بر عالوهبهینه تعداد ین
بردمی بین از را مصنوعی عصبی شبکه مسائل حد از کمتر یا حد از بیش تناسب مخفی الیه در هانرون.
52. هارمونی جستجوی سهام قیمت بینیپیش عملکرد میانگین ،نتایج اساس بر-نظر از مصنوعی عصبی شبکه
ژنتیک الگوریتم از بهتر آماری-است عادی مصنوعی عصبی شبکه مدل و مصنوعی عصبی شبکه.ت بایدوجه
مقادیر که کردMAPEحدود در ،مفروض هایمدل با۱۰مطالعات در شده گزارش مقادیر از کمتر درصد
هستند موجود.نتایج ،این بر عالوهMAPEشوندمی دیده ظهور حال در های بازار در مفروض هایبامدل.
هستند گویا مفروض هایمدل در کار و کسب عملکرد ،همچنین.هارمونی جستجوی هایمدل-عصبی شبکه
مصنوعی,ژنتیک الگوریتم-عصب شبکه با مقایسه در باالتری هایبرگشت به مصنوعی عصبی شبکهی
رسندمی عادی مصنوعی.خرس بازار در بازی با حتی(برگشت نگهداری و خرید۲۰,۶۳%-)هایمدل و ایت
رسندمی مثبت بازگشت به بینیپیش.
53. ژنت الگوریتم از استاده با سهام بازار هایقیمت کننده بینیپیش مفروض هیبرید هایمدل اگرچهیک,
دهندمی را توجهی قابل نتایج هارمونی جستجوی.دارد نیز هاییمحدودیت مطالعه این.تعداد ،ابتدا در
است شده داده قرار یک با برابر مخفی هایالیه.افزایش باعث و است زمانبر بیشتر آموزش ،اگرچهتعداد
کند پیدا تغییر مخفی هایالیه تعداد با تواندمی مدل عملکرد ،شودمی مخفی هایالیه.د محدودیتتوابع وم
اس ممکن انتقال توابع و آموزش تابع ترکیبات چون ،هستند شده تعیین پیش از انتقال و آموزشهایمدل ت
دهد قرار تأثیرتحت را مصنوعی عصبی شبکه.
هارمونی جستجوی-مصنوعی عصبی شبکه,ژنتیک الگوریتم-صورت به توانمی را مصنوعی عصبی شبکه
کند استفاده سهام بازارهای در سهام بازار قیمت حرکت بینیپیش برای آمیزموفقیت.
54. توسعه پیشنهاد:
درتعد مانند مصنوعی عصبی شبکه معماری است ممکن که باشد پارامترهایی سایر گرفتن نظرهایالیه اد
قرار تأثیرتحت را انتقال تابع نوع ،خفیاین در هم دیگر مالی و اقتصادی های شاخص اینکه و دهدتحقیق
گردد لحاظ(و مالیات و کارمزدها ، تورم اثرات.)....
جه هارمونی جستجوی بهترین ،یافته بهبود هارمونی جستجوی مانند هارمونی جستجوی متغیرهایانی
گیرندمی قرار استفاده مورد بینیپیش دقت در افزایش برای.ژ الگوریتم اثرات ،مشابه صورت بهمختلف نتیک
مورد روش از بخشی عنوان به تواندمی جهش و تقاطع ،انتخاب متفاوت هایفرم از بسیاری شاملاستفادهدر
گیرد قرار استفاده مورد تحقیق این.