مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران

در این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیش­بینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینه­سازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سال­های 94-1391 به صورت...

Full description

Bibliographic Details
Main Authors: مجید فشاری, پوریا مظاهری فر
Format: Article
Language:fas
Published: Alzahra University 2016-08-01
Series:سیاست‌گذاری پیشرفت اقتصادی
Subjects:
Online Access:http://edp.alzahra.ac.ir/article_2921_ea6918110386833c5c590505986bd17d.pdf
_version_ 1828375365891915776
author مجید فشاری
پوریا مظاهری فر
author_facet مجید فشاری
پوریا مظاهری فر
author_sort مجید فشاری
collection DOAJ
description در این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیش­بینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینه­سازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سال­های 94-1391 به صورت روزانه استفاده شده است. نتایج حاصل از این تحقیق نشان می­دهد که شبکه­های عصبی توانسته عملکرد بهتری را در پیش­بینی بازده اوراق بهادار نسبت به سیستم فازی عصبی نشان دهد و همچنین در بررسی عملکرد سه الگوریتم کوادراتیک، ژنتیک و ممتیک، نتایج نشان می­دهد که الگوریتم جهش ترکیبی قورباغه توانسته عملکرد و نتیجه بهتری را در مقایسه با الگوریتم ژنتیک نسبت به الگوریتم کوادراتیک نشان دهد. و همچنین نتایج این مطالعه، نشان می­دهد که الگوریتم شبکه عصبی می­تواند الگوریتمی قابل اتکا برای سهامداران باشد.
first_indexed 2024-04-14T07:46:32Z
format Article
id doaj.art-ceee2a49dee945b29471d86193a0138f
institution Directory Open Access Journal
issn 2383-2118
2538-158X
language fas
last_indexed 2024-04-14T07:46:32Z
publishDate 2016-08-01
publisher Alzahra University
record_format Article
series سیاست‌گذاری پیشرفت اقتصادی
spelling doaj.art-ceee2a49dee945b29471d86193a0138f2022-12-22T02:05:20ZfasAlzahra Universityسیاست‌گذاری پیشرفت اقتصادی2383-21182538-158X2016-08-0142597610.22051/edp.2017.12123.10622921مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهرانمجید فشاری0پوریا مظاهری فر1استادیار اقتصاد، دانشگاه خوارزمیکارشناسی ارشد مدیریت مالی، دانشگاه خوارزمیدر این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیش­بینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینه­سازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سال­های 94-1391 به صورت روزانه استفاده شده است. نتایج حاصل از این تحقیق نشان می­دهد که شبکه­های عصبی توانسته عملکرد بهتری را در پیش­بینی بازده اوراق بهادار نسبت به سیستم فازی عصبی نشان دهد و همچنین در بررسی عملکرد سه الگوریتم کوادراتیک، ژنتیک و ممتیک، نتایج نشان می­دهد که الگوریتم جهش ترکیبی قورباغه توانسته عملکرد و نتیجه بهتری را در مقایسه با الگوریتم ژنتیک نسبت به الگوریتم کوادراتیک نشان دهد. و همچنین نتایج این مطالعه، نشان می­دهد که الگوریتم شبکه عصبی می­تواند الگوریتمی قابل اتکا برای سهامداران باشد.http://edp.alzahra.ac.ir/article_2921_ea6918110386833c5c590505986bd17d.pdfبهینه‌سازی پرتفویالگوریتم‌های فرا ابتکاریشبکه‌های عصبیشبکه فازی عصبی
spellingShingle مجید فشاری
پوریا مظاهری فر
مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران
سیاست‌گذاری پیشرفت اقتصادی
بهینه‌سازی پرتفوی
الگوریتم‌های فرا ابتکاری
شبکه‌های عصبی
شبکه فازی عصبی
title مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران
title_full مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران
title_fullStr مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران
title_full_unstemmed مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران
title_short مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران
title_sort مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران
topic بهینه‌سازی پرتفوی
الگوریتم‌های فرا ابتکاری
شبکه‌های عصبی
شبکه فازی عصبی
url http://edp.alzahra.ac.ir/article_2921_ea6918110386833c5c590505986bd17d.pdf
work_keys_str_mv AT mjydfsẖạry mqạyshạlgwrytmhạypysẖbynywbhynhsạzydrbwrsạwrạqbhạdạrthrạn
AT pwryạmẓạhryfr mqạyshạlgwrytmhạypysẖbynywbhynhsạzydrbwrsạwrạqbhạdạrthrạn