شبکه عصبی با ۶ نورون

۷۵۳۳/۱

۷۱۰۴/۲

شبکه عصبی رگرسیون تعمیم یافته

۶۹۳۸/۱

۸۸۸۵/۲

مدل بت-عصبی

۶۰۳۷/۱

۲۰۲۶/۲

همانطور که مشاهده می گردد کمینه شاخص کارایی در هر دو سهم بر اساس الگوریتم ترکیبی بت-عصبی به دست آمده است.
گونه ای دیگر از الگوریتمهای به کار گرفته شده در پیشگویی قیمت سهم در بازارهای پول و سرمایه الگوریتمهای چندعامله هستند. محققان دیگری [۷] سیستمی چندعامله برای پیش گویی قیمت سهم در روز بعد با هدف افزایش ( FMAS ) چندعامله فازی چهار لایه قطعیت پیشگویی ارائه نمودند. ایشان بازار سهام را سیستمی پیچیده توضیح داده و اظهار نموده اند برای تصمیم گیری های سرمایه گذاری در آن نیاز به مدلی استوار می باشد. رویکردهای چندعامله پیچیدگی سیستم را کاهش می دهند چرا که سیستم را به اجزای مستقل کوچکتری تقسیم نموده که هر یک از آنها را با بهترین روش خاص آن حل خواهند نمود و در نهایت حل مساله سیستم پیچیده را به دست می آورند. معماری سیستم چندعامله ارائه شده در تحقیق مذکور شامل لایه های زیر می باشد:
لایه ۱: لایه ایجاد متاداده می باشد که در آن داده های سهام از منابع داده بیرونی به دست آمده و توسط متخصصان علم داده متاداده آن ایجاد می گردد.
لایه ۲: در این لایه پیش پردازش داده ها صورت می گیرد. انتخاب ویژگی ها به کمک تحلیل رگرسیون مرحله ای و نیز مدولار نمودن مساله پیش گویی به کمک خوشه بندی با شبکه عصبی مصنوعی SOM در این لایه صورت می پذیرد.
لایه ۳: این لایه مسئولیت مدلسازی و ارزیابی آن برای هر یک از خوشه ها به کمک سیستمهای فازی ژنتیک را به عهده دارد.
لایه ۴: در این لایه تحلیل مدل و نمایش دانش انجام می شود. تحلیل حساسیت مدل، دقت پیش گویی و ارائه بهنگام سناریوهای جایگزین تصمیم گیری در فرایندهای شبیه سازی چه-اگر در این لایه انجام می شود.
خروجی هر یک از لایه ها به کمک پروتکل های طراحی شده به لایه دیگر منتقل می شوند. مدل ارائه شده روی داده های سهام چهار شرکت کار گرفته شد و کارایی آن با پنج مدل دیگر که قبلا برای پیشگویی قیمت سهام به کار گرفته شده بودند با شاخص خطا MAPE مقایسه گردید. نتایج مقایسه به شرح بوده است.
جدول شماره ‏۲‑۲: مقایسه نتایج پیش گویی مدل ارائه شده با مدلهای دیگر

برای دانلود متن کامل این پایان نامه به سایت  fumi.ir  مراجعه نمایید.

مدل IBM British Airways Ryanair Dell
HMM ۲۱۹/۱ ۶۲۹/۲ ۹۲۸/۱ ۰۱۲/۱