文章基本信息

标题：Investigating Performance of Bayesian and Levenberg-Marquardt Neural Network in Comparison Classical Models in Stock Price Forecasting
其他标题：بررسی عملکرد شبکۀ عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‎های کلاسیک در پیش‎بینی قیمت سهام شرکت‎های سرمایه‎گذاری
本地全文：下载
作者：Hossein Fakhari ; Mohammad Valipour Khatir ; Maedeh Mousavi 等
期刊名称：Financial Researches
印刷版ISSN：8153-1024
出版年度：2017
卷号：19
期号：2
页码：299-318
出版社：University of Tehran
摘要：Accurate forecasting of stock prices according to high volatility and inherent risk of stock market is a major concern of investors and financial analysts, hence applying novel approaches to predict the stock priceisan inevitable necessity. Accordingly, the purpose of this research is to compare the performance of forecasting models such as neural network with classical model and introducing appropriate model to forecast tomorrow stock price. The daily market prices data and financial indicator have been used as input variables for designing neural network model and daily closing price data set as input variable for designing ARIMA and also tomorrow's closing price is considered as output variable from 2011to2014. The results show that the Bayesian neural network represents less error sand higher Predictive power than the ARIMA model. The findings indicate the efficiency of Bayesian neural network incapture short-term investment opportunities and also can help investors to choose the appropriate portfolio and to obtain more returns.
其他摘要：پیش‌بینی دقیق قیمت سهام، با توجه به نوسان‎های زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه‌های اصلی سرمایه‎گذاران و تحلیل‎گران مالی است، از این رو به‎کارگیری رویکردهای نوین پیش‌بینی قیمت سهام ضرورت اجتناب‎ناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسۀ عملکرد مدل‌های پیش‎بینی شبکۀ عصبی با مدل‌های کلاسیک و معرفی مدل مناسب برای پیش‌بینی قیمت روز آتی سهام است. برای طراحی مدل‌ پیش‌بینی با شبکۀ عصبی، از داده‌های قیمت روزانۀ بازار و شاخص‌های تکنیکی مالی به‎عنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده‌های قیمت بسته‎شدن روزانه به‎عنوان متغیر ورودی و همچنین قیمت بسته‎شدن روز آتی به‎عنوان متغیر خروجی هر دو مدل در دورۀ زمانی 1390 تا 1393 در نظر گرفته شد. نتایج به‎دست آمده با شبکۀ عصبی بیزین بیان‎کنندۀ خطای کمتر و قدرت پیش‎بینی بیشتر آن در مقایسه با مدل آریما است. یافته‌های تحقیق گویای کارایی بیشتر شبکۀ عصبی بیزین در استفاده از فرصت‌های سرمایه‌گذاری کوتاه‎مدت بازار است که می‌تواند به سرمایه‌گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.
关键词：Autoregressive Integrated Moving Average (ARIMA) ; Bayesian learning function ; Levenberg-Marquardt learning function ; Neural Network ; Predicting stock prices
其他关键词：آریما;پیش‎بینی قیمت سهام;تابع آموزش بیزین;تابع آموزش لونبرگ مارکوات;شبکۀ عصبی