ارائه مدلی برای امکان‌سنجی استفاده از شبکه عصبی مصنوعی بهینه‌سازی شده توسط الگوریتم‌های بهینه‌سازی فرا ابتکاری برای پیش‌بینی قیمت سهام شرکت‌ها در بحران‌های بورس اوراق بهادار تهران

دارابی, مسعود; گل سرخ حق, محسن; اصغرزاده, اصغر; ابوطالبی, آیدین

ارائه مدلی برای امکان‌سنجی استفاده از شبکه عصبی مصنوعی بهینه‌سازی شده توسط الگوریتم‌های بهینه‌سازی فرا ابتکاری برای پیش‌بینی قیمت سهام شرکت‌ها در بحران‌های بورس اوراق بهادار تهران

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

مسعود دارابی ¹

محسن گل سرخ حق ²

اصغر اصغرزاده ³

آیدین ابوطالبی ⁴

¹ استادیار، مجتمع دانشگاهی پدافند غیرعامل، دانشگاه مالک اشتر، تهران، ایران

² دکترای مدیریت راهبردی دفاعی، دانشگاه عالی دفاع ملی، تهران، ایران

³ استادیار، مدیریت مالی، پژوهشکده سرمایه اجتماعی، دانشگاه فرماندهی و ستاد آجا، تهران، ایران

⁴ دانشجوی دکترای اقتصاد، بخش اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم تحقیقات، تهران، ایران

چکیده

در حال حاضر، سرمایه‌گذاری در بورس بخش قابل‌توجهی از اقتصاد کشور را شامل می‌شود. اوراق بهادار ابزاری مطمئن برای جذب اعتماد سرمایه‌گذاران به شمار می‌رود و با ریسک‌های متفاوتی همراه است. این بازار قادر است سرمایه‌های کوچک و پراکنده‌ای را که به‌تنهایی قابلیت بهره‌برداری ندارند، جمع‌آوری کرده و از آن‌ها منابع مالی قابل‌توجهی برای توسعه اقتصادی ایجاد کند. در بازارهای بورس، نوسانات قیمت از حساسیت بالایی برخوردار است و این موضوع موجب شده که تغییرات مربوط به این نوسانات به‌طور منظم مورد بررسی و تحلیل قرار گیرد. به همین دلیل، پیش‌بینی قیمت سهام در زمان بحران، برای سرمایه‌گذاران اهمیت زیادی پیداکرده تا بتوانند بیشترین سود ممکن را از سرمایه‌گذاری‌های خود به دست آورند. در سال‌های اخیر و بحران‌های اقتصادی مانند تحریم و سایر موارد، قیمت سهام با نوساناتی همراه بوده است و به دلیل پیش‌بینی دقیق توسط سرمایه‌گذاران در این زمان‌ها، عملکرد کم خطای الگوریتم‌های فرا ابتکاری جدید به‌عنوان روشی نوین مطرح می‌شود. امروزه روش‌های نوین پیش‌بینی سری‌های زمانی بر اساس هوش مصنوعی و یادگیری ماشین به‌سرعت پیشرفت کرده‌اند، به‌طوری‌که این داده‌ها برای سرمایه‌گذاری و پیش‌بینی قیمت سهام ارزش زیادی دارند ولی شیوه‌های سنتی تحلیل داده در یادگیری مؤثر از آن‌ها محدودیت دارند. با توسعه فناوری و ورود تکنیک‌های جدید مانند شبکه‌های عصبی و الگوریتم‌های فرا ابتکاری، استفاده ازاین‌روش‌ها در پیش‌بینی قیمت سهام به شکل چشم‌گیری افزایش‌یافته است. در این تحقیق، امکان‌سنجی توانایی مدل‌های مختلف مبتنی بر شبکه‌های عصبی بهینه‌سازی شده توسط دو الگوریتم شاهین هریس (HHO) و الگوریتم گورکن عسل خوار (HBA) در پیش‌بینی روند قیمت سهام در دو شرکت ایران‌خودرو و پالایش نفت اصفهان در بحران‌های بازار بورس اوراق بهادار تهران در بازه زمانی 10 روز آینده مورد بررسی قرارگرفته است و با معیارهای R²، MSE، RMSE، MAE، RSE و EVS نتایج این دو الگوریتم مقایسه شده است. نتایج این تحقیق نشان می‌دهد که الگوریتم HBA در پیش‌بینی قیمت سهام ایران‌خودرو و پالایش نفت اصفهان در طول زمان و بحران‌ها با دقت‌های به ترتیب ۷۵٪ و ۷۶٪ نسبت به الگوریتم HHO با دقت‌های ۷۳٪ و ۶۷٪ برتری دارد.

کلیدواژه‌ها

پیش‌بینی قیمت سهام

شبکه عصبی مصنوعی

بورس

الگوریتم‌های بهینه‌سازی فرا ابتکاری

بحران

20.1001.1.23453915.1404.14.1.1.9

موضوعات

مدیریت بحران

عنوان مقاله English

Proposing a Model for Feasibility Assessment of Utilizing Artificial Neural Networks Optimized by Metaheuristic Algorithms for Predicting Stock Prices of Companies during Crises in the Tehran Stock Exchange

نویسندگان English

Masuod Darabi ¹

Mohsen Golsorkh Hagh ²

Asghar Asgharzadeh ³

Aidin Aboutalebi ⁴

¹ Assist.‎ Prof. ‎Faculty ‎of‎ Passive‎ Defense,‎ Malek‎ Ashtar‎ University ‎of ‎Technology, Tehran, Iran

² PhD. in Strategic Defense Management, Supreme National Defense University, Tehran, Iran.

³ Assist.‎ Prof. Social Capital Research Institute, Commandery University and AJA Headquarters, Tehran, Iran

⁴ PhD. Student, Monetary Economics, Faculty of Economic, Islamic Azad university, Science and Research Branch, Tehran, Iran

چکیده English

Currently, investing in the stock market constitutes a significant portion of the country's economy. Securities are considered a reliable tool for gaining the trust of investors and are associated with various levels of risk. This approach can gather small and dispersed investments that, on their own, cannot be effectively utilized and transform them into substantial financial resources for economic development. In stock markets, price fluctuations are highly sensitive, leading to regular analysis and monitoring of these changes. As a result, stock price prediction has gained significant importance for investors, enabling them to maximize their returns and assisting them in making informed investment decisions. In recent years, modern time-series prediction methods based on artificial intelligence and machine learning have advanced rapidly. Given the high value of this data for investment and stock price prediction, traditional data analysis methods face limitations in effectively learning from it. With technological advancements and the introduction of new techniques, such as neural networks and metaheuristic algorithms, the use of these methods for stock price prediction has seen significant growth. In this study, the capability of various models based on neural networks optimized by two algorithms, Harris Hawk Optimization (HHO) and Honey Badger Algorithm (HBA), in predicting the stock price trends of two companies, Iran Khodro and Isfahan Oil Refinery, in the Tehran Stock Exchange over the next 10 days, is examined. The results of these two algorithms are compared using metrics such as MSE, RMSE, MAE, RSE, and EVS. The findings of this research indicate that the HBA algorithm outperforms the HHO algorithm, with accuracies of 75% and 76% in predicting the stock prices of Iran Khodro and Isfahan Oil Refinery, respectively, compared to the HHO algorithm's accuracies of 73% and 67%.

کلیدواژه‌ها English

Stock Price Prediction

Artificial Neural Network

Stock Market

Metaheuristic Optimization Algorithms

Crisis

Ayyildiz, N. and O.J.H. Iskenderoglu, How effective is machine learning in stock market predictions? 2024. 10(2).
Mintarya, L.N. et al. Machine learning approaches in stock market prediction: A systematic literature review. 2023. 216: p. 96-102.
Pahwa, N. et al. Stock prediction using machine learning a review paper. 2017. 163(5): p. 36-43.
Jain, S. et al. Exploring the Future of Stock Market Prediction through Machine Learning: An Extensive Review and Outlook. 2024. 12(4): p. 1-10.

5- عادل، آ. ا. امیر و ا. پرویز، مقایسه روش‌های کلاسیک و هوش مصنوعی در پیش‌بینی شاخص قیمت سهام و طراحی مدل ترکیبی. 2006.

6- مهدی مرادزاده، ف. د. رؤیا و رامین شاه علی، یکپارچه‌سازی تکنیک‌های هوش مصنوعی جهت ارائه مدل پیش‌بینی قیمت سهام. پژوهش‌های حسابداری مالی و حسابرسی. سال ششم. صص 102-89.

7- مهدی، ص. ح.پ. کیانا و خ. حمید، بررسی مقایسه‌ای پیش‌بینی تغییرات شاخص قیمت سهام در نهادهای پولی با استفاده از هوش مصنوعی. 2016.

8- علیرضا، س. ق. مجید و ت. رضا، پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از رویکرد ترکیبی الگوریتم‌های فرا ابتکاری، هوش مصنوعی و معادله پارامتریک موجک. 2018.

9- سید حسام و. کاربرد الگوریتم هوش مصنوعی در پیش‌بینی ورشکستگی با استفاده از متغیرهای کلان اقتصادی و حسابداری در شرکت‌های پذیرفته‌شده بورس اوراق بهادار تهران. 2019.

10- زهرا، پ. و د. رحیم، مدل‌سازی بازار سهام با استفاده از مدل‌های هوش مصنوعی و مقایسه با مدل‌های کلاسیک خطی. 2021.

11- حامد، ر.ز و همکاران. رویکرد هوش مصنوعی انقباضی لاسو در پیش‌بینی نقدینگی شرکت‌های پذیرفته‌شده بورس اوراق بهادار تهران. 2022.

12- مهدی، ح. و ا. حمیدرضا، بررسی قدرت مدل‌های مبتنی بر هوش مصنوعی در پیش‌بینی روند قیمت سهام بورس اوراق بهادار تهران. 2022.

13- جعفر، م؛ و ش. محمدرضا، شناسایی و گروه‌بندی ریسک‌های احداث واحدهای صنعتی به‌وسیله روش دلفی و شبکه عصبی مصنوعی خودسازمان‌ده (مطالعه موردی: احداث کارخانه تراورس). فصلنامه مدیریت بحران، 1401. 11(1): p. 141-148.

14- آرام، خ. تحلیل فضایی آسیب‌پذیری محلات شهر سلماس در برابر زلزله مبتنی بر روش Fuzzy WASPAS. فصلنامه مدیریت بحران، 1402. 12(2: p.( 116-130.

15- مزرعه، م. م. حقیقی و ل. آندرواژ، طراحی مدل جذب سرمایه‌گذاری ترکیبی در راستای رونق کسب‌وکار و رشد اقتصادی (مورد مطالعه: مناطق آزاد تجاری). فصلنامه مدیریت بحران، 1403. 13(2)

Maqbool, J. et al. Stock prediction by integrating sentiment scores of financial news and MLP-regressor: A machine learning approach. 2023. 218: p. 1067-1078.
Srivastava, S. et al. Analysis and prediction of Indian stock market: a machine-learning approach. 2023. 14(4): p. 1567-1585.
Sonkavde, G. et al. Forecasting stock market prices using machine learning and deep learning models: A systematic review, performance analysis and discussion of implications. 2023. 11(3): p. 94.
Ajiga, D.I. et al. Machine learning for stock market forecasting: a review of models and accuracy. 2024. 6(2): p. 112-124.
Phuoc, T. et al. Applying machine learning algorithms to predict the stock price trend in the stock market–The case of Vietnam. 2024. 11(1): p. 1-18.
Sui, M. et al. An ensemble approach to stock price prediction using deep learning and time series models. 2024.
Smith, M. Neural networks for statistical modeling. 1993: Thomson Learning.
Hornik, K. M. Stinchcombe, and H.J.N.n. White, Multilayer feedforward networks are universal approximators. 1989. 2(5): p. 359-366.
Engelbrecht, A.P. Computational intelligence: an introduction. 2007: John Wiley & Sons.

25- محمدباقر، م. مبانی شبکه‌های عصبی هوش محاسباتی. Vol. 0. 1381: دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، واحد تفرش، مرکز نشر پروفسور.

Heidari, A.A. et al. Harris hawks optimization: Algorithm and applications. 2019. 97: p. 849-872.
Hashim, F.A. et al. Honey Badger Algorithm: New metaheuristic algorithm for solving optimization problems. 2022. 192: p. 84-110.
Heptner, V.G. and S. Robert, Mammals of the Soviet Union: Vol. II. Part 1b Carnivora (weasels; additional species). 2001: Smithsonian Institution Libraries and the National Science Foundation.
Begg, C. et al. Life-history variables of an atypical mustelid, the honey badger Mellivora capensis. 2005. 265(1): p. 17-22.
Begg, C. et al. Scent-marking behaviour of the honey badger, Mellivora capensis (Mustelidae), in the southern Kalahari. 2003. 66(5): p. 917-929.