فایل ورد کامل پیش ‌بینی تغییرات قیمت افزایش‌ یافته سهام از طریق طراحی آزمایش ها DOE و اپتیمایز بر اساس روش BPNN

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل پیش ‌بینی تغییرات قیمت افزایش‌ یافته سهام از طریق طراحی آزمایش ها DOE و اپتیمایز بر اساس روش BPNN،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

۵ نتیجه‌گیری
سرمایه‌گذاری در بازار سهام تجربه مالی مهمی برای بسیاری افراد در سراسر جهان است. مشخص کردن اینکه چگونه میزان پیش‌بینی برگشتی‌های سهام را بهبود داد، مسئله مهمی برای سرمایه‌گذاران و محققان است. و ثابت شده ANNS ابزار پیش‌بینی کننده مؤثری برای پیش‌بینی برگشتی سهام است. که توسط محققان زیادی استفاده شده است. بیشتر محققان از روش آزمایش و خطا برای تعیین پارامتر‌های ANNS استفاده نموده‌اند. بنابراین به دست آوردن نسبت‌های ظاهری پیش‌بینی در عرصه‌های مالی، کاری بس مشکل است.
این تحقیق تلفیق طراحی آزمایشات متداول، روش طراحی پارامتری تاگوچی و شبکه ی نورونی بازگشت گسترش است (یعنی اپتیمایز بر مبنای طراحی آزمایشات) که برای بهبود و توسعه میزان پیش‌بینی بوده است. برای پیش‌بینی برگشتی سهام کوتاه‌مدت با توجه به تحقیقات زو وهمکارانش میزان پیش‌بینی علائم یک مرحله‌ای در سه بازار DJAAو NASDAQو STI آشکار بوده است و گستره‌ی آن‌ها بین ۲۷۵/۵۳ و ۷۳/۶۴% درصد بوده است. اعتبار تجربیات بیان شده در بالا، در باره‌ی جایگاه‌های اپتیمایز بهینه پارامتری می‌تواند در روند بهتر شدن میزان پیش‌بینی تا ۸۴ درصد مؤثر باشد. بنابراین ثابت شده روش پیشنهادی برای افزایش صحت پیش‌بینی‌های متغیر قیمت سهام، موجه و مؤثر است.

عنوان انگلیسی:Enhanced stock price variation prediction via DOE and BPNN-based optimization~~en~~

۵ Conclusions

Investing in the stock market is an important financial practice for many people around the world. Determining how to improve the prediction rate of stock returns is a great concern of many investors and researchers, and ANNs were proven to be an effective forecasting tool for stock return forecasting by many researchers. Most researchers use trial-and-error to determine the parameters of ANNs, so it is difficult to obtain sound prediction rates in financial arenas. This research integrated a conventional experimental design, Taguchi’s parameter design method, and a back-propagation neural network (i.e., a design-of-experiment-based optimization) to improve the forecasting rate. For the short-term stock return forecasting compared to Zhu et al. (2008), the one-step sign prediction rate for short-term forecasting was revealed in three markets, DJIA, NASDAQ and STI, and they ranged 53.275–۶۴۷۳%. The abovedescribed experimental validation of the optimal parameter settings can effectively improve the forecasting rate to 84%. Thus, the proposed approach was proven feasible and effective for enhancing the accuracy of stock price variation predictions.

$$en!!