چکیده
سرمایهگذاری در سهام بورس اوراق بهادار، به عنوان یکی از گزینههای سودآور در بازار سرمایه، نیازمند درک عمیق از پویاییهای پیچیده و غیرخطی این بازار است که تحت تأثیر عوامل سیاسی، اقتصادی و روانشناختی قرار دارد. به منظور دستیابی به سرمایهگذاری سودآور و کاهش ریسک، پیشبینی قیمت سهام در بازار بورس اوراق بهادار از اهمیت بالایی برخوردار است. در این راستا، استفاده از روشهای مختلف، بهویژه روشهای آماری و هوشمند، به کمک سرمایهگذاران آمده است. اگرچه روشهای مبتنی بر تجربه، یک گام رو به جلو برای دستیابی به نتایج دقیقتر محسوب میشوند، اما کافی نیستند. علاوه بر این، بیشتر تحقیقات موجود بر پیشبینی یکمرحلهای متمرکز بودهاند که از سرمایهگذاران در دستیابی به بهترین زمان ورود و خروج به بازار حمایت نمیکنند. این مقاله با بهرهگیری از سیستمهای هوشمند نظیر شبکههای عصبی فازی، میتواند به بهبود دقت پیشبینی قیمت سهام کمک کند. این مطالعه روشی برای پیشبینی قیمت چندمرحلهای سهام را بر اساس تکنیکهای تجزیه مختلف، از جمله تبدیل کسینوسی گسسته (DCT) که یک تبدیل خطی است، و تجزیه حالت تبدیلی (VMD) که یک تبدیل غیرخطی است، پیشنهاد میکند. روشی مبتنی بر DCT و شبکه عصبی فازی بازگشتی چندکارکردی (MFRFNN) که DCT-MFRFNN نامیده میشود، با کاهش نویز و ساختاردهی بهتر از MFRFNN برای پیشبینی قیمت سهام استفاده میکند. نتایج نشان میدهد VMD-MFRFNN در مقایسه با سایر روشهای پیشرفته عملکرد بهتری دارد. بر اساس معیار RMSE برای سری زمانی SSE، روش VMD-MFRFNN کاهش ۴۳٫۵۸ درصدی در خطای پیشبینی را نسبت به روش DCT-MFRFNN نشان میدهد. همچنین، DCT-MFRFNN در همه آزمایشها از MFRFNN بهتر عمل کرده که بیانگر تأثیر مطلوب DCT بر عملکرد MFRFNN است. روش پیشنهادی نسبت به روشهای قبلی، پیشبینیهای دقیقتری ارائه میدهد و از سرعت بالاتری برخوردار است. این یافتهها میتواند به سرمایهگذاران در اتخاذ تصمیمات بهتر و کاهش ریسکهای مرتبط با سرمایهگذاری در بازار سهام کمک نماید.
برای دانلود کامل مقاله کلیک کنید
