دموری, داریوش, فرید, داریوش, اشهر, مرتضی. (1390). پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی. مجله علمی-پژوهشی دانش حسابداری, 2(5), 7-30. doi: 10.22103/jak.2011.24
داریوش دموری; داریوش فرید; مرتضی اشهر. "پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی". مجله علمی-پژوهشی دانش حسابداری, 2, 5, 1390, 7-30. doi: 10.22103/jak.2011.24
دموری, داریوش, فرید, داریوش, اشهر, مرتضی. (1390). 'پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی', مجله علمی-پژوهشی دانش حسابداری, 2(5), pp. 7-30. doi: 10.22103/jak.2011.24
دموری, داریوش, فرید, داریوش, اشهر, مرتضی. پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی. مجله علمی-پژوهشی دانش حسابداری, 1390; 2(5): 7-30. doi: 10.22103/jak.2011.24
پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی
1استادیار دانشگاه یزد، دانشکده اقتصاد، مدیریت و حسابداری، دکتری مدیریت مالی
2کارشناس ارشد، دانشگاه یزد، دانشکده اقتصاد، مدیریت و حسابداری، مدیریت بازرگانی گرایش مالی
چکیده
هدف این تحقیق پیش‌بینی شاخص کل قیمت سهام با استفاده از الگوریتم پرواز پرندگان است تا فعالان بازار سرمایه و هم‌چنین تصمیم‌گیرندگان کلان بتوانند از آن به منظور پیش‌بینی روند این بازار استفاده کنند. دوره نمونه‌گیری این پژوهش ده‌ساله و از تاریخ 1378 تا 1387 در نظر گرفته شده است که در آن از شاخص کل قیمت سهام برای پیش‌بینی و هم‌چنین الگوسازی و آزمون استفاده می‌شود. برای این منظور، ابتدا یک چارچوب هوشمند پیش‌بینی طراحی، و در ادامه از الگوریتم پرواز پرندگان و هم‌چنین از الگوهای سنتی نمو هموار ساده، هلت وینترز، اتورگرسیون، میانگین متحرک و آریما برای پیش‌بینی استفاده شده است. نتایج تحقیق حاکی است که در میان الگوهای سنتی، آریما دارای بهترین براورد است؛ هم‌چنین در مقایسه الگو پرواز پرندگان با آریما مشخص شد که خطای براورد این الگوی هوشمند نسبت به آریما بسیار کم است که می‌توان از آن به منظور پیش‌بینی‌های آینده شاخص کل قیمت سهام استفاده کرد.
- آذر، عادل و مومنی، منصور. (1377). آماروکاربردآندرمدیریت. تهران: انتشارات سمت، ج دوم، ص. 365-322.
- افسر، امیر. (1384). الگوسازی پیش‌بینی شاخص قیمت سهام با استفاده از شبکه‌های عصبی فازی و روش ترکیبی. تهران:.پایاننامهکارشناسیارشد، دانشگاه تربیت مدرس.
- بت‌شکن،محمود. (1380). یش‌بینی قیمت سهام با استفاده از شبکه عصبی - فازی و مقایسه آن با الگوهای خطی پیش‌بینی، تهران: پایاننامه کارشناسیارشد، دانشگاه تهران.
- طلوعی، عباس و حق‌دوست، شادی. (1386). الگوسازی پیش‌بینی قیمت سهام بااستفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی، پژوهشنامهاقتصادی، ص.252-237.
- گجراتی، دامودار. (1385). مبانیاقتصادسنجی، ترجمه:ابریشمی، تهران. انتشارات دانشگاه تهران، چ چهارم، ص. 963-907.
- مشیری، سعید و مروت، حبیب. (1384). پیش‌بینی شاخص کل بازدهی سهام تهران با استفاده از الگوهای خطی و غیرخطی.
- وطن‌خواه، رامین. (1388). کنترل و بهینه‌سازی حرکت دسته‌ای یک توده ربایندهکی به وسیله روش‌های الهام گرفته از طبیعت، تهران: پایاننامهکارشناسیارشد، دانشگاه صنعتی شریف.
- Armano, G., marchesi, A., and Murru, A. (2005). A hybrid genetic-neural architecture for stock indexes forecasting. Information sciences, pp. 3-33.
- Chang, T., Meade, N., Beasley, J., and Sharaiha, Y. (2000). Huristics For Cardinality Constrained Portfolio Optimisation. Comput Operation Research, pp. 1271-1302.
- Chiam, S., Tan, K., and Mamun, A. (2009). A memetic model of evolutionary PSO for computational finance applications. Expert Systems with Applications, Vol. 36, pp. 3695–3711.
- Dallagnol, V., Vandenberg, F., and Mous, L. (2009). Portfolio Management Using Value at Risk:A comparsion between Genetic Algorithm and Particle Swarm Optimization. International ofIntelligent System, Vol. 24, pp. 729-766.
- Egeli, B., Ozturan, M., and Badur, B. (2003). Stock Market Prediction Using Artificial Neural Networks. Bogazici University.
- Fourie, P. C., & Groenwold, A. A. (2002). The particle swarm optimization algorithm in size and shape optimization. Struct. Multidisc.OPT, Vol. 23, pp. 259-267.
- Haupt, R., & Haupt, S. E. (1998). Practical Genetic Algorithm. John Wiley & Sons
- Hernández, A., Muñoz, A., Villa, E., & Botello, S. (2007). COPSO: Constrained Optimization via PSO Algorithm. Centro de Investigación en Matemáticas, Guanajuato, Technical Report of the Computer Sciences Department, México.
- Hirotugu, A. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Contro, Vol. 19, pp. 716–723.
- Kennedy, J. (1999). Small Worlds and Mega-Minds: Effects of Neighborhood Topology on. Proceedings of the 1999 Congress on EvolutionaryComputation, pp. 1931–1938.
- Kennedy, j., and Eberhart, R. (1995). Particle Swarm Optimization. IEEE: International Conference on Neural Network , pp. 1942-1948.
- Kennedy, J., and Mendes, R. (2002). Population Structure and Particle Swarm Performance. Proceedings of the 2002 Congress on Evolutionary Computation, CEC02, pp. 1671-1676.
- Kiink, T., Vesterstroem, J. S., and Riget, J. (2002). Particle Swam Optimization with Spatial Particle Extension. Proceedings of the lEEE Congress on Evolutionary Computation, pp. 1474-1479.
- Koshino, M., Murata, H., and Kimura, H. (2007). Improved Particle Swarm Optimization and Application To Portfolio Selection. Electronics and Communications in Japan, Vol. 90.
- L., B. (1992). The little bootstrap and other methods for dimensionality selection in regression: X-fixed prediction error. Journal of the American Statistical Association, Vol. 87, pp 738-754.
- Leung, M. T., Chen, A. S., and Daouk, H. (2001). application of neural networks to an emerging financial market:forecasting and trading the taiwan stock index. www.ssrn.com.
- Martinez, S., Cortes, j., and Bullo, F. (2007). Motion coordination with distributed information. IEEE Control Systems Magazine, Vol. 27, pp. 75–88.
- Pankratz, A. ( 1983). Forecasting with univariate Box–Jenkins models: concepts and cases. John Wiley & Sons .
- White, h. (1988). Economic prediction using neural network:The case of IBM daily stock returns. IEEE International conference on Neural Networks,San Deigo, Vol. 2, pp. 451-458.
ابتدای صفحه