آموزش اولیه سهام بازار

علاوه بر پسران الکترونیکی مجلات علمی در همان زمان انتشار ، مقالات و مطالب منتشر شده در این رسانه را مشاهده کنید

به لطف هشدارها و اخبار در همه زمان ها مطلع شوید

دسترسی به تبلیغات اختصاصی در اشتراک ها ، انتشار و دوره های معتبر

مجله اقتصاد ، امور مالی و علوم اداری نام جدید نوت بوک های قبلی ما است. Hece ، ما شامل مقالاتی هستیم که به هر دو زبان ، انگلیسی و اسپانیایی نوشته شده و دامنه ما را برای مخاطبان بزرگتر گسترش می دهیم. مجله مالی اقتصاد و علوم اداری با هدف ارائه بیشترین تحقیقات رله و تحولات فعلی در تمام زمینه های علوم اداری در سراسر جهان است. براساس کنوانسیون های بین المللی تحریریه ، مقالات به منظور تحقق هدف ما ، یک روند دقیق ارزیابی و انتخاب را طی می کنند. دانشگاه ESAN با بیش از 50 سال تجربه در زمینه آموزش عالی و تحصیلات تکمیلی پس از تحصیلات تکمیلی ، مایل به مشارکت در جامعه دانشگاهی با برجسته ترین بخش های تحقیق است. ما با قدردانی از پیشنهادات و کمک های خوانندگان خود استقبال می کنیم تا به ما در رسیدن به اهداف خود کمک کنیم.

فهرست بندی شده در:

Scopus ، اقتصاد و تجارت میزبان EBSCO ، گزارش دانشگاهی ، Onefile آکادمیک ، Latindex ، Econlit ، Repec ، ایده ها ، فهرست انتشارات کابل ، Scielo Peru ، شبکه تحقیقات علوم اجتماعی

ما را دنبال کنید:

Citescore میانگین استنادهای دریافت شده توسط مقاله منتشر شده را اندازه گیری می کند.

SJR یک معیار معتبر است که بر اساس این ایده که همه استنادات برابر نیستند ، است. SJR از الگوریتمی شبیه به صفحه Google استفاده می کند. این یک اقدام کمی و کیفی برای تأثیر یک انتشار است.

SNIP اجازه می دهد تا تأثیر مجلات را از زمینه های موضوعی مختلف مقایسه کند ، و تفاوت های احتمال احضار را که بین مجلات موضوعات مختلف وجود دارد ، تصحیح می کند.

• خلاصه
• کلید واژه ها
• طبقه بندی ژل
• خلاصه
• کلید واژه ها

• خلاصه
• کلید واژه ها
• طبقه بندی ژل
• خلاصه
• کلید واژه ها
• کدهای ژل
• معرفی
• زمینه
• سیستم های هوشمند مصنوعی مورد استفاده در پیش بینی
• شبکه های عصبی مصنوعی
• پیش بینی شاخص NASDAQ
• نتیجه و بحث
• چهار روز کاری قبلی
• نه روز کاری قبلی
• نتیجه
• کتابشناسی - فهرست کتب

در این مطالعه توانایی شبکه عصبی مصنوعی (ANN) در پیش بینی نرخ ارز سهام روزانه NASDAQ مورد بررسی قرار گرفت. چندین خوراک به جلو ANN که توسط الگوریتم انتشار پشت آموزش داده شده اند ، ارزیابی شده اند. روش مورد استفاده در این مطالعه قیمت سهام کوتاه مدت تاریخی و همچنین روز هفته را به عنوان ورودی در نظر گرفت. نرخ ارز روزانه NASDAQ از 28 ژانویه 2015 تا 18 ژوئن 2015 برای تهیه یک مدل قوی استفاده می شود. 70 روز اول (28 ژانویه تا 7 مارس) به عنوان مجموعه داده آموزش انتخاب شده و 29 روز گذشته برای آزمایش توانایی پیش بینی مدل استفاده می شود. شبکه های پیش بینی شاخص NASDAQ برای دو نوع مجموعه داده ورودی (چهار روز قبل و نه روز قبل) تهیه و تأیید شدند.

En Este Estudio Se Investigó la capacidad de previsión del índice bursátil diario nasdaq ، por parte de la red neuronal مصنوعی (RNA). se evaluaron diversas a proalimentadas ، que fueron entrenadas mediante un algoritmo de retropropagación. la metodología upilizada en este estudio ورودی های como را در نظر بگیرید los precios bursátiles históricos a corto plazo ، así como el día de la semana. Se Utilizaron los índices bursátiles diarios de nasdaq del 28 de enero al 18 de junio de 2015 ، para desarrollar un modelo robusto. SE Seleccionaron Los Primeros 70 Días (del 28 de enero al 7 de marzo) como conjuntos de datos de enterenamiento ، y los últimos 29 días para probar la capacidad del modelo de preticción. se desarrollaron y startsaron redes para la predicción del índice nasdaq ، para dos tipos de conjuntos de datos de input (los cuatro y los nueve días previos).

شبکه های عصبی مصنوعی

شبکه عصبی انتشار پشتی

شبکه عصبی عملکرد پایه شعاعی

سیستم استنباط فازی

سیستم استنباط عصبی-فازی سازگار

شبکه عصبی احتمالی

شبکه عصبی فازی مبتنی بر الگوریتم ژنتیکی

وزن اتصال نورون P

خروجی نورون

شیب مزدوج مقیاس

یک قدم ثانیه

نزول شیب با نرخ یادگیری تطبیقی

نزول شیب با حرکت

قیمت سهام در زمان k

خطای مربع متوسط

در مطالعه برخی از پدیده ها ، تهیه یک مدل ریاضی برای شبیه سازی روابط غیرخطی بین پارامترهای ورودی و خروجی به دلیل ماهیت پیچیده این پدیده ها یک کار سخت است. سیستم های هوشمند مصنوعی مانند شبکه های عصبی مصنوعی (ANN) ، سیستم استنباط فازی (FIS) و سیستم استنتاج عصبی-فازی سازگار (ANFIS) برای الگوبرداری از طیف گسترده ای از مشکلات چالش برانگیز در علم و مهندسی استفاده شده است. ANN عملکرد بهتری در پیش بینی ورشکستگی نسبت به روشهای آماری معمولی مانند تجزیه و تحلیل تبعیض آمیز و رگرسیون لجستیک نشان می دهد (Quah & Srinivasan 1999). تحقیقات در فرآیند رتبه بندی اعتبار نشان داد که ANN به دلیل رابطه پیچیده بین متغیرهای مالی و سایر متغیرهای ورودی ، توانایی پیش بینی بهتری نسبت به روشهای آماری دارد (Hájek ، 2011). پیش بینی ورشکستگی (آلفارو ، گارسیا ، گیمز ، و الیزوندو ، 2008 ؛ لی ، غرفه ، و علم ، 2005 ؛ باک و چو ، 2003) ، ارزیابی ریسک اعتباری (یو ، وانگ ، و لای ، 2008 ؛ آنجلینی ، دی تولو ، و رولی، 2008) ، و برنامه های بازار امنیت سایر مناطق اقتصادی است که ANN به طور گسترده ای به کار رفته است. هدف از این مطالعه بررسی توانایی ANN در پیش بینی نرخ ارز روزانه NASDAQ است.

Guresen ، Kayakutlu و Daim (2011) در مورد عملکرد مدل های چند لایه Perceptron (MLP) ، Dynamic ANN و مدل های Hybrid ANN در پیش بینی ارزش بازار تحقیق کردند. چن ، لئونگ و داوک (2003) از شبکه عصبی احتمالی (PNN) برای پیش بینی جهت بازگشت شاخص سهام تایوان استفاده کردند. آنها گزارش دادند که PNN نسبت به روشهای عمومی فیلتر لحظات-کالمن و مدلهای پیش بینی پیاده روی تصادفی عملکرد بالاتری دارد. Kuo ، Chen و Hwang (2001) از طریق ترکیب یک شبکه عصبی فازی مبتنی بر الگوریتم ژنتیکی (GFNN) و ANN برای بازار سهام ، یک سیستم پشتیبانی تصمیم گیری ایجاد کردند. سیستم پیشنهادی با استفاده از داده های بازار سهام تایوان مورد بررسی قرار گرفت. Qiu ، Liu و Wang (2012) یک مدل پیش بینی جدید را بر اساس سری زمانی فازی و درختان تصمیم C-Fuzzy برای پیش بینی شاخص سهام شاخص کامپوزیت شانگهای تهیه کردند. Atsalakis و Valavanis (2009) یک کنترل کننده استنتاج عصبی تطبیقی تطبیقی برای پیش بینی روند قیمت سهام روز بعد ایجاد کردند. آنها توانایی بالقوه FIS را در پیش بینی شاخص سهام گزارش دادند.

3 سیستم هوشمند مصنوعی مورد استفاده در پیش بینی 3. 1 شبکه عصبی مصنوعی

یک شبکه عصبی یک سیستم بیولوژیکی با چندین عنصر پردازش منفرد به نام نورون است. نورون ها با مکانیسم مفصل که از مجموعه ای از وزن های اختصاص یافته تشکیل شده است ، به یکدیگر متصل می شوند.

MLP یک رویکرد متداول در مشکلات نوع رگرسیون است. شبکه MLP دارای سه لایه است: لایه ورودی ، لایه خروجی و لایه پنهان. نورون مقادیر پارامترهای ورودی را می گیرد ، آنها را با توجه به وزن اختصاص داده شده جمع می کند و تعصب را اضافه می کند. با استفاده از تابع انتقال ، مقدار خروجی ها تعیین می شود. تعداد نورون های موجود در لایه ورودی با تعداد پارامترهای ورودی مطابقت دارد. معماری یک MLP معمولی در شکل 1 ارائه شده است. < pan> یک شبکه عصبی یک سیستم بیولوژیکی با الهام از چندین عنصر پردازش واحد به نام نورون است. نورون ها با مکانیسم مفصل که از مجموعه ای از وزن های اختصاص یافته تشکیل شده است ، به یکدیگر متصل می شوند.