پیش بینی شاخص صنعت بورس اوراق بهادار تهران با رویکرد بررسی حافظه بلند مدت با استفاده از دو تکنیک (RLS) و (SVR)
پیش بینی شاخص صنعت بورس اوراق بهادار تهران با رویکرد بررسی حافظه بلند مدت با استفاده از دو تکنیک (RLS) و (SVR)
صادق نهاردانی1 احمد ناطق گلستان2
1) دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد نیشابور، دانشکده علوم انسانی، گروه مدیریت، ایران
2) عضو هیئت علمی، دانشگاه آزاد اسلامی، واحد نیشابور، دانشکده علوم انسانی، گروه مدیریت، ایران
کد IOI مقاله
:
XYGF-BDCKE
محل انتشار :
سومین کنفرانس بین المللی مدیریت و مهندسی صنایع(3icmi.com)
چکیده :
بازار سهام تحت تاثیر عوامل کلان اقتصادی نظیر رویدادهای سیاسی، سیاست های شرکت، شرایط عمومی اقتصادی، انتظارات سرمایه گذاران، حرکت سایر بازارها، و عوامل روانی و غیره قرار دارد. مشکل پیشبینی شاخص بازار به دلایل متعددی عملا مورد توجه است. شاخص های بازار به شرکتکنندگان بازار این امکان را میدهند تا با در معرضِ یک صعنتِ کلی، یا چندین صنعت مختلف قرار گرفتن، و نه فقط چند سهام، به تنوع برسند. این شاخصهای بازار برای گروه بزرگی از سرمایهگذاران کاربرد دارد، مخصوصاً آنهایی که دانش سرمایهگذاری محدودی دارند، و آنهایی که طبعاً ریسکگریز می باشند. در این تحقیق بهپیش¬بینی شاخص صنعت بورس اوراق بهادار تهران با رویکرد بررسی حافظه بلند مدت پرداخته شده است. برای مقایسه بهتر حافظه بلند مدت از دو خانواده از الگوریتمهای یادگیر یکی یادگیری برون خط و دیگری یادگیری برخط استفاده شده است. دوره زمانی مورد نظر برای جمع آوری داده ها و آزمون فرضیات سالهای1387الی1394 که یک دوره 8ساله است، می باشد. با توجه به خطای MAE دو الگوریتم می¬توان گفت خطای MAE الگوریتم RLS از الگوریتم SVR کمتر است، پس در نتیجه هر دو الگوریتم قادر به پیش¬بینی شاخص صنایع (با داشتن اطلاعات 15 روز گذشته و پیشبینی روز 16ام) می¬باشند و الگوریتم RLS از الگوریتم SVR در پیش¬بینی شاخص صنایع برای یک روز آینده بهتر است و این بدلیل این است که الگوریتم RLS یک مدل یادگیر خطی متغیر با زمان است و میتواند آینده نزدیک را بخوبی تقریب بزند. پس در نتیجه برای پیشبینی آینده نزدیک الگوریتم RLS از الگوریتم SVR بهتر عمل میکند.
کلمات کلیدی : پیش بینی شاخص صنعت الگوریتم rls الگوریتم svr