هوش مصنوعی در بورس

رویکرد هوش مصنوعی انقباضی لاسو در پیش‌بینی نقدینگی شرکت‌های پذیرفته‌شده بورس اوراق بهادار تهران

شرکت‌هایی که دارای جریان وجوه نقد داخلی خوبی هستند کمتر به تأمین مالی خارجی متکی می‌باشند و وام‌دهندگان نیز به این شرکت‌ها به دلیل نقدینگی خوبی که دارند به‌راحتی اعتبار می‌دهند. هدف این پژوهش تحلیل عوامل مؤثر بر نقدینگی با رویکرد هوش مصنوعی و همچنین پیش بینی نقدینگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران می‌باشد. بدین منظور از اطلاعات مالی 138 شرکت طی 8 سال از 1390 الی 1397 جهت آزمون فرضیه‌های پژوهش استفاده شد. در این پژوهش نسبت وجه نقد عملیاتی شرکت به عنوان متغیر وابسته( نقدینگی) و معیارهای مالی به عنوان متغیر مستقل اولیه در نظر گرفته شد. نتایج تحقیق نشان داد که بازده دارایی‌ها، کیوتوبین، نسبت سرمایه در گردش، حاشیه سود عملیاتی و سود تقسیمی از بین سایر معیارهای مالی بیشترین تاثیر را بر نقدینگی شرکت با رویکرد متغیر گزینی ریلف دارد و همچنین رویکرد هوش مصنوعی لاسو توانایی بالایی در پیش‌بینی نقدینگی شرکت‌های هوش مصنوعی در بورس بورس اوراق بهادار تهران دارد.

کلیدواژه‌ها

• نقدینگی
• معیارهای مالی
• رویکرد هوش مصنوعی انقباضی لاسو

مراجع

احمدی، مهدی؛ تقی‌زاده، محمدتقی و نصراللهی، طهمورث (1393). بررسی ارتباط بین بازده دارایی‌ها و بازده سهام با مدیریت نقدینگی. اولین همایش ملی حسابداری، حسابرسی و مدیریت، اصفهان.

آقایی، محمدعلی؛ نظافت، احمدرضا؛ ناظمی‌اردکانی، مهدی و جوان، علی‌اکبر (1388). بررسی عوامل موثر بر نگهداری موجودی‌های نقدی در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. پژوهش‌های حسابداری مالی، سال اول، شماره اول و دوم، صص 53 – 70.

بولو، قاسم؛ باباجانی، جعفر و محسنی‌ملکی، بهرام (1391). رابطه بین وجه نقد بیشتر و کمتر از حد بهینه، با عملکرد آینده شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. دانش حسابداری، 3(11)، 7-29.

بهرامیان، ربابه؛ رهنمای‌رودپشتی، فریدون و معدنچی، مهدی (1398). کارکرد الگوی مدیریت دارایی ـ بدهی بر درک هوش مصنوعی در بورس ارتباط بین ریسک و بازده با نقدینگی. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره 10، شماره 40 صفحه 29-56.

جبارزاده‌کنگرلویی، س.د؛ منفرد، م؛ و متوسل، م (1393). "تأثیر جریان وجوه نقد عملیاتی بر تعدیلات اهرم مالی در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران". راهبرد مدیریت مالی، سال دوم، شماره 4، ص 73-95.

زلقی، حسن و فیروزآبادتپه، فرزانه (1396). بررسی تاثیر برآوردهای حسابداری بر هوش مصنوعی در بورس پیش‌بینی عملکرد مالی و نقدینگی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. پژوهش های نوین در حسابداری و حسابرسی، دوره 1، شماره 4، ص 155-175.

سجادی؛ حسین؛ حاجی‌زاده، سعید و نیکوکار، جواد (1392). تاثیر هزینه‌های نمایندگی و کیفیت گزارشگری مالی بر ریسک سرمایه‌گذاری در شرکت‌های بورسی. بررسی حسابداری و حسابرسی، دانشکده مدیریت دانشگاه تهران، 19(13): 21-42.

مشکی، مهدی و امام‌دوست، زینب (1392). بررسی رابطه بین بازده سهام و وجه نقد نگهداری شده با در نظر گرفتن فرصت‌های سرمایه‌گذاری در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. دومین کنفرانس ملی حسابداری، مدیریت مالی و سرمایه‌گذاری، گرگان.

مصلی، مهسا و مقدم، فرزاد (1399). بررسی تاثیر اهرم مالی بر ریسک و بازده سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. رویکردهای پژوهشی نوین در مدیریت و حسابداری، 29 (3)، ۳۲-۴۲.

ملکیان، اسفندیار و سلمانی، رسول (1394). رابطه ساختار سرمایه و سیاست تقسیم سود با نگهداشت وجه نقد (در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران). پژوهش‌های تجربی حسابداری، 5(4)، 55-72.

Abdulrahman Alhassan &Atsuyuki Naka (2020). Corporate future investments and stock liquidity: Evidence from emerging markets. International Review of Economics & Finance Volume 65, January 2020, Pages 69-83.

Akben-Selcuk E, Ayse Altiok-Yilmaz (2017). Determinants of Corporate Cash Holdings: Firm Level Evidence from Emerging Markets from book Global Business Strategies in Crisis: Strategic Thinking and Development (pp.417-428).

Aoun, D. and Hwang, J. (2008). The effect of cash flow and size on the investment decisions of ICT firms: A dynamic approach. Information economics and policy, 20:120-134. 3.

Autukaite, R ; Molay, E. (2010). Cash Holdings, Working Capital and Firm Value: Evidence From France. International Conference of the French Finance Association, Electronic copy available at: http: //ssrn. com.

Basil Al-Najjar. (2013). The financial determinants of corporate cash holdings: Evidence from some emerging markets. International Business Review 22, 77-88.

Díaz, Antonio, Ana,Escribano (2020). Measuring the multi-faceted dimension of liquidity in financial markets: A literature review, Research in International Business and Finance Volume 51, January 2020, 101079.

Kimmel, P.D, weygandi, J,J,and Kieso,D.E, (2004). Financial accounting tools for business decision making,third edition, john wiley and sons ins

Martínez‐Sola,Cristina Pedro J. García‐Teruel Pedro Martínez‐Solano(2013)Trade credit policy and firm value Accounting & Finance Volume53, Issue3 Pages 791-808.

Mikkelson Wayne H. and Partch M. Megan (2003). Do Persistent Large Cash Reserves Hinder Performance? Journal of Financial and Quantitative AnalysisVolume 38, Issue 2June 2003, pp. 275-294.

Oler, D. and Picconi, M. (2009). Implications of insufficient and excess cash for future performance. Journal of Financial Economics, Vol. 65, pp. 223-247.

بورس جامع (بنیادی،تکنیکال،تابلوخوانی و ……)

آموزش بورس و یادگیری روش‌های سرمایه گذاری در بازار سهام، یکی از الزامات خرید و فروش سهام و سایر اوراق بهادار محسوب می‌شود؛ چرا که برای کاهش ریسک و انجام معاملات منطقی و صحیح، لازم است فاکتورها و عوامل مختلفی در بازار بورس بررسی و تحلیل شود. برای کسب درآمد از بورس و تجربه یک سرمایه گذاری موفق در بورس لازم است از دوره های آموزش بورس در سطوح مقدماتی و پیشرفته بهره بگیریم.

مجتمع آموزشی هوش مصنوعی

• دارای مجوز رسمی از سازمان فنی و حرفه ای کشور
• اولین نمایندگی رسمی انستیتو ایز ایران در کرمانشاه

1.بورس و بازار سرمایه

1. سرفصل های دوره آموزشی تکمیلی بورس

• تحلیل بنیادی کاربردی
• تابلو خوانی و فیلتر نویسی
• تحلیل تکنیکال
• کاربا اندیکاتورها و نرم افزار های معاملاتی
• معرفی اجمالی استراتژی های معاملاتی پرایس اکشن،ایچیموکو و ….
• روانشناسی بازار
• مدیریت سرمایه

موارد مرتبط

بورس -دوره جامع پرایس اکشن و ایچیموکو

آموزش بورس و یادگیری روش‌های سرمایه گذاری در بازار سهام، یکی از الزامات خرید و فروش سهام و سایر اوراق…

کاربرد هوش مصنوعی در بورس و امور مالی

Presentation on theme: "کاربرد هوش مصنوعی در بورس و امور مالی"— Presentation transcript:

1 کاربرد هوش مصنوعی در بورس و امور مالی

2 فهرست مطالب مقدمه چهار مورد از تکنولوژیها و تکنیک های حسابداری
کاربردهای هوش مصنوعی در امور مالی پیش بینی روند قیمت سهام برآورد بهای تمام شده قیمت گذاري اوراق بهادار جدید منطق فازی کشف تقلب در صورت های مالی پیش بینی ورشکستگی هوش مصنوعي در سرمايه گذاري نتايج پژوهش پيشنهادهايي به سياست گذاران و دست اندرکاران

3 مقدمه: هوش مصنوعی علاوه بر کاربرد هایی که در زمینه های مختلف دارد مدت هاست که جایگاه هوش مصنوعی در بورس خود را در حسابداری و امور مالی پیدا کرده است. محققان حسابداری تکنولوژی ها و تکنیک های هوش مصنوعی را با موفقیت هایی چند، برای کارهای خاصی در گزارشگری و تحلیل مالی حسابرسی و اطمینان بخشی و در محدوده های دیگرمانند بورس به کار برده اند.

4 چهار مورد از تکنولوژیها و تکنیک های حسابداری
با توجه به گسترده بودن این مباحث، چهار مورد از آن ها که نقش عمده تری در تشریح کاربرد هوش مصنوعی در حسابداری و امور مالی دارند، توضیح داده شده است: سیستم های خبره شبکه ی عصبی الگوریتم ژنتیک منطق فازی data archeology: باستان شناسی داده data dredging: لایروبی داده

5 سیستم های خبره : اصطلاح سیستم خبره از سیستم هاي خبره دانش محور مشتق شده است. سیستم خبره، سیستمی است که دانش انسانی را بوسیله هوش مصنوعی در بورس کامپیوتر، براي حل مسائلی که غالبا نیازمند تخصص انسانی است، به کار می برد. در واقع سیستم خبره، روشی براي گنجاندن دانش افراد خبره در کامپیوتر است ، گامی در جهت بناي هوش مصنوعی . این سیستم ها می کوشند جنبه هایی از دانش و استدلال انسانی را در کامپیوتر بگنجانند تا به تحلیل مسائل پرداخته و به نتایجی مناسب برسند .

6 شبکه ی عصبی : سیستم عصبی مصنوعی در امور مالی کاربرد هایی دارد که مهمترین آن ها : پیش بینی روند قیمت سهام ارزشیابی پیش بینی میزان اعتبار تصویب اعتبارات برآورد بهای تمام شده پیش بینی و برآورد آتی ارزیابی ورشکستگی( ارزیابی خطر وام دهی) منطق فازی

7 الگوریتم ژنتیک : الگوریتم ژنتیک در امور مالی کاربرد هایی دارد که مهمترین آن ها : کشف تقلب در صورت های مالی پیش بینی ورشکستگی انتخاب پرتفوی

8 هوش مصنوعی در سرمايه گذاری
دانشمندان و محققان در دهه آخر قرن بيست عمدتًا به اين اصل معتقد شدند كه فرض منطقي بودن سرمايه گذاري كه اصل غيرقابل اغماض در سرمايه گذاري مدرن مالي است ويكي از مفروضات اصلي در بازار كارا و يا مدل بازار است با توجه به عوامل پيچيده اي كه در بازارهاي سهام دخيل هستند، واقعي نيست . آن ها به اين نتيجه رسيده اند كه بازار سرمايه داري نظم مشخصي نيست و استفاده از رياضيات پيچيده در سيستم هاي غير خطي و پويامي تواند مدل هايي را ايجاد كند كه نظريه هاي گذشته را باطل كند .

9 مقايسه مقادير دو مدل پيش بيني با واقعيت در داده های دوره برآورد
نتايج پژوهش By : Elyas Shirooyeh مقايسه مقادير دو مدل پيش بيني با واقعيت در داده های دوره برآورد

10 پيشنهادهايي به سياست گذاران و دست اندرکاران:
عدم توانايي پيش بيني شبکه هاي عصبي با داده هايي مثل قيمت طلا، تورم و نرخ ارز به دليل عدم وابستگي بخش هاي داخلي اقتصاد کشور وجود همبستگي بين قيمت هاي متوالي تحلیل خوشه ای در بازاریابی تحلیل وفاداری مشتری بهترين روش پيش بيني قيمت

11 منابع 1. آذر، عادل و افسر، امیر ، مدل سازی پیش بینی قیمت سهام با رویکرد شبکه های عصبی فازی“، فصلنامه پژوهشنامه بازرگانی، شماره 40، ص ص 2. خالوزاده، حميد ( ١٣٧٧ ). مدلسازي غير خطي و پيش بيني رفتار قيمت سهام در بازاربورس تهران، رساله دكتري مهندسي برق، دانشگاه تربيت مدرس، دانشكده فني و مهندسي 3. تهرانی، رضا و عباسیون، وحید ”کاربرد شبکه عصبی مصنوعی در زمانبندی معاملات سهام: با رویکرد تحلیل تکنیکی“، فصلنامه پژوهش های اقتصادی، سال هشتم، شماره اول، ص ص 4. راسل، استورات و نورویگ، پیتر ، هوش مصنوعی (رهیافتی نوین)، جعفر نژاد قمی، عین اهلل، بابل، نشر علوم رایانه. 5. راعی، رضا ”شبکه های عصبی: رویکردی نوین در تصمیم گیری های مدیریت“، مدرس، دوره 5، شماره 2، ص ص 6. سینایی، حسنعلی؛ مرتضوی، سعید اهلل و تیموری اصل، یاسر ”پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی“، بررسی های حسابداری و حسابرسی، سال دوازدهم، شماره 41، ص ص 7. عبده تبریزی، حسین و البرزی، محمود ،“مدل های شبکه عصبی و کاربرد آن در مدیریت مالی“، مجموعه مقالات همایش اول مدیریت مالی، دانشگاه شهید بهشتی. 8. عرب مازار یزدی، محمد؛ احمدی، علی و عبدلی، محمود ، "سیستم های هوشمند و حسابداری"، ماهنامه حسابدار، سال بیست و یکم، شماره 4، ص 42. 9. قاسم نژاد مقدم؛ نیما، بقائی نیا، فاطمه و بافنده زنده، علیرضا ، ”منطق فازی به زبان ساده“، ماهنامه کنترل کیفیت، شماره 24، ص ص 10. یعقوب نژاد، احمد ،“منطق فازی، کاربرد در زمینه احتمال خطر حسابرسی و نبود اطمینان“، حسابرس، شماره 38 ، ص ص 52-59

هوش مصنوعی در بورس

در گذشته ، تجزیه و تحلیل این داده ها از طریق تجزیه و تحلیل کمی وقت گیر و فراتر از توانایی بود اکنون که هوش مصنوعی تقریباً همه جا وجود دارد و موانع ورود به آن کاهش یافته است ، کارگزاران و شرکت های نوپا با زمان متوسط به دنبال استفاده از این فناوری برای ایجاد یک مدل جدید برای سرمایه گذاران برای انتخاب سهام هستند.

یادگیری ماشینی یعنی آموزش یک ماشین برای انجام یک عمل خاص توسط الگوریتم های برنامه نویسی که توسط یک تکنسین تنظیم شده است. این شامل مواردی مانند شناسایی شماره تلفن مجازی خاص از کشور دیگر و سپس انتقال آن به یک مرکز تماس خاص است. با افزودن الگوریتم های بیشتر و جمع آوری داده ها ، هوش مصنوعی دقیق تر و قادر به پردازش داده ها برای تصمیم گیری آگاهانه بهتر می شود.

یادگیری عمیق ، مشابه یادگیری ماشینی ، فرایندی است برای آموزش یک ماشین برای انجام اقدامات و دقیق تر شدن آن با گذشت زمان. با این هوش مصنوعی در بورس حال ، یادگیری عمیق فراتر می رود ، شامل رویکردی است که شامل شبکه های عصبی مصنوعی است - شبیه به نحوه مغز انسان الگوهای رفتاری را یاد می گیرد (مثلاً کسی عطسه می کند و شما به طور خودکار می گویید "عافیت باشه" بدون فکر آگاهانه). یادگیری عمیق به نوعی هوش احساساتی تبدیل می شود که همانطور که می آموزد. به طور معمول ، یادگیری عمیق با ایجاد توانایی سازگاری با داده های جدید و ایجاد الگوریتم ها برای ایجاد خروجی مطلوب ، باعث ایجاد یادگیری در دستگاه می شود.

یادگیری عمیق و یادگیری ماشینی به بنگاههای اقتصادی این هوش مصنوعی در بورس امکان را می دهد که نه تنها نوسانات قیمت سهام را تجزیه و تحلیل کنند ، بلکه داده های ساختاری نشده ای را نشان می دهند که الگوهای رفتاری را آشکار می کند که ممکن است توسط یک انسان قابل درک نبوده باشد. این امر می تواند شکل جدیدی از دقت را در تصمیم گیری های معاملات که فراتر از استراتژی های سنتی سرمایه گذاری است ، فراهم کند.

البته اینها فقط برخی از کاربردهای شناخته شده هوش مصنوعی است. بورس اوراق بهادار در سراسر جهان کاربرد هوش مصنوعی را درک کرده اند و تمرکز خود را به سمت جذب متخصصان هوش مصنوعی آغاز کرده اند.

الگوریتم های هوش مصنوعی در بازار بورس و فارکس

پيش بيني و بررسي رفتـار قيمـت سهام و جفت ارز، مقولـه اي اسـت كـه دانشـمندان علـوم مـالي و سرمايه گذاران همواره در پي آن هستند. دليل اصلي سرمايه گذاري در بازار سهام و فارکس، به دسـت آوردن سود است كه لازمة آن، داشتن اطلاعات درست از بازار بورس و تغييرات سهام و پيش بيني رونـد قیمتی آينده است.

بنابراين، سرمايه گذار و تریدر نيازمند ابزارهاي قدرتمند و قابل اعتماد است، تا از طريـق آن به پيش بيني قيمت سهام بپردازد .باتوجه به افزايش تعداد سهام داران و تریدر ها در بازار بورس و توجه آنها بـه قيمـت سـهام های مختلـف در معاملات، پيش بيني روند حركتي قيمت اهميت بسـزايي دارد.

تاثیر هوش مصنوعی بر روی بازار بورس و فارکس

بسـياري از افـراد در زمان سرمايه گذاري، هنگام مقايسة جفت ارز ها و سهام مختلف، از روند حركتي قيمت آن استفاده مي كننـد. همچنين خواهان پيش بيني اين روند هستند تا بدانند روند هوش مصنوعی در بورس افزايشي يا كاهشي قيمت سـهم مـورد نظر حدوداً تا چه زماني ادامه مييابد. پژوهش ها نشان مي دهد، استفاده از ابزارها و روش هاي پيش بيني سنتي، خطاي بـالايي دارد و بيشتر در مقايسه با روش هاي جديد تر و مدل هاي غيرخطي عملكرد ضعيف تري دارنـد.

در ايـن مقاله ، يكي از روش هاي هوش مصنوعي به نام ماشين بردار پشـتيبان، بـه همـراه يكـي از الگوريتم هاي پركاربرد در اين حوزه، براي پيش بيني روند حركتي قيمت سهام به كار گرفتـه شـده است. با پيشرفت هاي اخير در هوش مصنوعي، روش هاي جديدي براي پيش بيني ارائه شـده اسـت كه نسبت به روش هاي سنتي، از دقت بالاتري برخوردار هستند.

انواع مختلف الگوريتم های هوش مصنوعی در فارکس

افزايش روز افزون سرعت محاسبات به كمك رايانه، روش طراحي بهينه پارامترهـا در مسـائل را از طريق شبيه سازي روند تكاملي امكان پذير كرده است. امروزه، روش هاي برنامه نويسي تكـاملي و ازجمله آنها الگوريتم ژنتيك، به روش هاي بهينه سازي در مسائل پيش بينـي جايگـاه خاصـي داده است .

الگوريتم هاي ژنتيك كه دسـتة خاصـي از الگـوريتم هـاي تكـاملي هستند، به دفعات در حل مسائل دشوار علوم و مهندسي استفاده مي شوند. مـي تـوان گفـت، ايـن دسته الگوريتم ها روش مناسبي براي رسيدن به حل مسائل داراي پيچيدگي محاسـباتي، در يـك زمان مناسب هستند.

در هر زمان مي توان الگوريتم را متوقف كرده، جواب به دست آمده تا آن تكرار الگوريتم را استخراج كرد. چون الگوريتم داراي خاصيت تكاملي است، چنانچه خطاي موجـود در جواب به دست آمده پذيرفته نشود، ميتوان الگوريتم را ادامه داد تا به جوابي قانع كننده برسد.

زمان رسيدن به اين جواب چندان قابل پيش بيني نيست. اما با اجراي مكرر الگوريتم و استفاده از آمار و علم مربوط به آن، ميتوان تقريب زمان رسيدن اين الگوريتم تكاملي به جواب قانع كننده را حدس زد. الگوريتم هاي ژنتيكي، نياز به يافتن يك الگوريتم خاص براي مسئله را منتفي ميكنند و تنهـا كار لازم براي حل مسئله، مدلسازي و مقداردهي صحيح به پارامترهاي الگوريتم ژنتيـك اسـت.

الگوريتم شبكه های عصبی مصنوعی در بورس

رايج ترين اين روشها، الگوريتم شبكه هاي عصبي مصنوعي است. با اين حال، شبكه هاي عصبي كاستي هايي دارند، مانند نياز بـه پارامترهاي كنترلي زياد، دشواري رسـيدن بـه نتيجـه اي پايـدار و غيـره. بـه دليـل وجـود چنـين‌ ضعف هايي، روش هاي بهتري براي بهبود مدل شبكه هاي عصبي طراحـي شـده اسـت

اين روش ها بـا اسـتفاده از قابليـت يـادگيري خـود، هرگونـه تغييـر ايجاد شده در قوانين نهفته در سري هاي زماني را فراگرفته، براي پيش بينـي آينـده از آن اسـتفاده مي كنند. ماشين بردار پشتيبان يكي از روش هـاي يـادگيري بـا نظـارت اسـت كـه در طبقه بندي و هوش مصنوعی در بورس رگرسيون به كار برده مي شود.

اين روش از جمله روش هاي به نسبت جديدي اسـت كه در سال هاي اخير كارايي خوبي نسبت به روش هاي قديمي تر طبقه بندي، از جمله شبكه هـاي عصبي نشان داده است. الگوريتم ژنتيك يك روش بهينه سازي الهـام گرفتـه از طبيعت جاندار است كه مي توان آن را يك روش جستوجوي عددي، مستقيم و تصادفي معرفـي كرد.

در پژوهش پيش رو با استفاده از مدل هاي يادشده و به كمك متغيـرهـاي ورودي كه 44 مورد هستند، به بررسي عملكرد دقت پيش بيني مدل هاي يادشـده پرداختـه شـده است. هدف اصلي اين پژوهش، بررسي كارايي مدل تركيبي در مقابل مدل ماشين بردار پشـتيبان ساده است. همچنين با استفاده از الگوريتم ژتنيك در مدل تركيبي، اثر تركيب بهينـه متغيرهـاي ورودي بر نتيجة كلي بررسي ميشود.

الگوریتم هوش مصنوعی در بورس ژنتیک هوش مصنوعی در بازار فارکس

. الگوريتم هاي ژنتيكي همان گونه كه از نام آنها پيداست، ديد خود را از ژنتيك و مسائل مربوطه در اين حوزه گرفته اند. الگوريتم با ساخت يكسري رشـته بـه نـام كرومـوزوم و بـا انجـام عمليـات مشخص ژنتيكي، انتخاب، تركيب و جهش در طول حيات رشته ها، به سمت تكامل و بهتر شـدن آنها گام برمي دارد .

در پژوهشي با استفاده از تركيب ماشين بردار پشتيبان و الگوريتم ژنتيك، به پيش بينـي رونـد حركتي قيمت سهام پرداخته شده است. نتايج نشان داد، مدل تركيبي در مقايسـه بـا مـدل سـادة ماشين بردار پشتيبان از دقت بالاتري برخوردار است.

روش رگرسـيونی ناپارامتريک در هوش مصنوعی

مطالعه ديگري براي پيش بيني شاخص سهام، از يكپارچه سـازي الگـوريتم ژنتيـك بر پايـة ويژگي هايي در مقياس زمان با ماشين بردار پشتيبان استفاده كردند كـه يـك روش رگرسـيوني ناپارامتريك به شمار مي آيد. همچنین در مقايسه با روش هاي شبكه هاي عصبي، SVM ساده يا مدل هاي سنتي GARCH نتيجة بهتري داشت.

پژوهشگران بـا تركيـب رگرسـيون ماشـين بـردار پشـتيبان و SOM كـه يـك الگـوريتم دسته بندي است؛ به پيشبيني قيمت سهام پرداخته اند. با توجـه بـه نتـايج بـه دسـت آمـده مـدل دومرحله اي يادشده از مدل ساده SVR عملكـرد بهتـري داشـته اسـت.

در ادامه پژوهش ها، از روش تركيبي رگرسيون ماشـين بـردار پشـتيبان و SOFM اسـتفاده كرده اند. كه به كمك يك روش فيلترشده براي بهتر شدن دقت پيش بيني انجام مي شود. ابتـدا بـه كمك فيلتر كردن، ويژگي هاي مهم ورودي را انتخاب كرده، سپس با SOFM نمونه هاي آموزشي دسته بندي ميشود و SVR شاخص قيمتي سهام را پيش بيني ميكند. نتايج نشان داده است كـه روش تركيبي از SVR ساده، بهتر است.

در زمينة پيش بيني روند حركت قيمت سهم در داخل كشور مطالعاتي انجام نشده است، ولـي گفتني است كه كاربرد روش ماشين بردار پشتيبان در هوش مصنوعی در بورس پيشبيني درماندگي مالي شركت ها بررسي شده است.

شـبكه هـای عصبی فازی

يكي از پژوهش هاي مربوط به پيش بيني شـاخص بـورس اوراق بهـادار در سـال هـاي اخيـر، به روش شبكه هاي عصبي انجام شده است . نتـايج پژوهش نشان داده است كه شبكه هاي عصبي عملكرد بهتري نسبت به مـدل خطـي ARIMA براي پيشبيني شاخص قيمت دارند.

در پژوهشي قيمـت سـهام در بـازار بـورس اوراق بهادار، به كمك شبكة عصبي فازي و الگوريتم هاي ژنتيك پيش بينـي شـده و نتـايج آن بـا روش شبكة عصبي مصنوعي مقايسه شده است.

نتايج نشان داده است كه مـدل تركيبـي شـبكه هـاي عصبي فازي و الگوريتم هاي ژنتيك پيش بيني هاي بسـيار مناسـب تـري داشـته اند.همچنین در مقايسـه بـا شبكه هاي عصبي منفرد، از سرعت بالاتر و توانايي قوي تري براي پيش بيني قيمت سـهام برخوردار است.