• صفحه اصلی
  • مرور
    • شماره جاری
    • بر اساس شماره‌های نشریه
    • بر اساس نویسندگان
    • بر اساس موضوعات
    • نمایه نویسندگان
    • نمایه کلیدواژه ها
  • اطلاعات نشریه
    • درباره نشریه
    • اهداف و چشم انداز
    • اعضای هیات تحریریه
    • اعضای مشورتی هیات تحریریه
    • همکاران دفتر نشریه
    • اصول اخلاقی انتشار مقاله
    • بانک ها و نمایه نامه ها
    • پیوندهای مفید
    • پرسش‌های متداول
    • فرایند پذیرش مقالات
    • اخبار و اعلانات
  • راهنمای نویسندگان
  • ارسال مقاله
  • داوران
  • تماس با ما
 
  • ورود به سامانه ▼
    • ورود به سامانه
    • ثبت نام در سامانه
  • English
صفحه اصلی فهرست مقالات مشخصات مقاله
  • ذخیره رکوردها
  • |
  • نسخه قابل چاپ
  • |
  • توصیه به دوستان
  • |
  • ارجاع به این مقاله ارجاع به مقاله
    RIS EndNote BibTeX APA MLA Harvard Vancouver
  • |
  • اشتراک گذاری اشتراک گذاری
    CiteULike Mendeley Facebook Google LinkedIn Twitter Telegram
مجله علمی-پژوهشی دانش حسابداری
مقالات آماده انتشار
شماره جاری
شماره‌های پیشین نشریه
دوره دوره 8 (1396)
دوره دوره 7 (1395)
دوره دوره 6 (1394)
دوره دوره 5 (1393)
دوره دوره 4 (1392)
دوره دوره 3 (1391)
دوره دوره 2 (1390)
شماره شماره 7
شماره شماره 6
شماره شماره 5
شماره شماره 4
دوره دوره 1 (1389)
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

مقاله 1، دوره 2، شماره 5، تابستان 1390، صفحه 7-30  XML اصل مقاله (572 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22103/jak.2011.24
نویسندگان
داریوش دموری 1؛ داریوش فرید1؛ مرتضی اشهر2
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.
کلیدواژه ها
الگوریتم پرواز پرندگان؛ نموهوار ساده؛ هلت وینترز؛ اتورگرسیون؛ میانگین متحرک و آریما
مراجع

- آذر، عادل و مومنی، منصور. (1377). آمار و کاربرد آن در مدیریت. 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:. پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس.

- بت‌شکن،محمود. (1380). یش‌بینی قیمت سهام با استفاده از شبکه عصبی - فازی و مقایسه آن با الگوهای خطی پیش‌بینی، تهران: پایان نامه کارشناسی ارشد، دانشگاه تهران.

- طلوعی، عباس و حق‌دوست، شادی. (1386). الگو‌سازی پیش‌بینی قیمت سهام بااستفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی، پژوهشنامه اقتصادی، ص. 252-237.

- گجراتی، دامودار. (1385). مبانی اقتصاد سنجی، 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: پایان نامه کارشناسی ارشد، 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.

آمار
تعداد مشاهده مقاله: 1,774
تعداد دریافت فایل اصل مقاله: 905
صفحه اصلی | واژه نامه اختصاصی | اخبار و اعلانات | اهداف و چشم انداز | نقشه سایت
ابتدای صفحه ابتدای صفحه

Journal Management System. Designed by sinaweb.