فایل ورد کامل مدل فازی عصبی با شاخص های بازاری هیبریدی( ترکیبی) برای پیش بینی سهام

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 مدل فازی عصبی با شاخص های بازاری هیبریدی( ترکیبی) برای پیش بینی سهام،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۸ صفحه

شاخص خایفنی به طور گسترده ای در پیش بینی قیمت های سهام با شبکه های عصبی مصنوعی استفاده شده اند. با این وجود، عملکرد آن ها معمولا رضایت بخش نیست. به علاوه، در سال های اخیر، مدل های هیبریدی که ترکیبی از شبکه های عصبی مصنوعی و سایر روش های هوشمند با شاخص های فنی هستند برای بهبود سطح صحت پیش بینی قیمت سهام با نتایج متغیر استفاده شده اند.
در این مقاله، مدل پیش بینی پیشرفته برای پیش بینی قیمت سهام بر اساس نظرات کارشناسان با شاخص های فنی و بنیادین با استفاده از معماری عصبی فازی ارایه شده است. نتایج تجربی موید عملکرد برتر مدل پیشنهادی برای بهبود صحت پیش بینی قیمت سهام نسبت به رویکرد سنتی استفاده از مدل شبکه عصبی با شاخص های فنی بودند. از این روی، مدل پیش بینی پیشنهادی پتانسیل بهبود کیفیت تصمیم گیری سرمایه کذاران را در بازار سهام با ارایه پیش بینی صحیح تر از سهام دارد. پیاده سازی و اجرای کامل مدل به صورت انلاین یا بر روی پلاتفرم های سیار بدون شک به توسعه امور مالی الکترونیکی کمک می کند. در کار های آینده، اثر متغیر های نظرات کارشناسان بر روی کیفیت پیش بینی قیمت سهام بررسی خواهد شد.

عنوان انگلیسی:Fuzzy-neural model with hybrid market indicators for stock forecasting~~en~~

Introduction Stock markets environment are very complicated, dynamic, stochastic and thus difficult to predict (Tsanga et al., 2007). However, finding the best time to buy or sell has remained a very difficult task for investors because there are numerous factors that may influence stock prices (Chang and Liu, 2008; Weckman et al., 2008; Adebiyi et al., 2009). Nevertheless, several research efforts have been carried out to predict the market to make profit using different techniques with different results. The price variation of stock market is a very dynamic system that has intrigued analysis from a number of disciplines. The common approaches are fundamental and technical analysis. The fundamental analysis is based on financial status and performance of the company. The technical analysis is based on the historical financial time series data (Chang and Liu, 2008). However, from literature survey, previous research efforts on stock market prediction had engaged predominantly technical indicators for forecasting of stock prices. The impact of fundamental analysis variables has been largely ignored. In this work, we explore the combination of the technical indicators, fundamental indicators and experts opinion for stock market prediction with the objective of attaining improved stock market prediction. The rest of the paper is organised as follows. Section 2 presents a review of related works. Section 3 describes the proposed hybrid model. Section 4 describes the research methodology used. Section 5 discussed the results obtained. The paper is concluded in Section 6. 2 Related works A review of previous studies on stock price forecasting shows that the use of technical indicators is prevalent. The technical indicators, such as current stock price, opening 288 A.A. Adebiyi et al. price, closing price, volume, highest price and lowest price, are often used with ANNs model. In recent time, hybrid models have been effectively engaged in stock price prediction. Examples in literature where technical indicators have been used include the following. In Phua et al. (2003) technical indicators with ANNs model was used to forecast stock price and their findings revealed that ANN has average success rate of 60% and the best prediction result is 74%. In Chen et al. (2003) technical indicators with ANN model was used and their finding showed that ANN obtained higher return than other investment strategy. Kunhuang and Yu (2006) used technical indicators with ANN and their findings showed that that ANN has better forecast ability than time series model. Zhu et al. (2007) also used technical indicators with ANN and their findings revealed that ANN could forecast stock index increment and trading volume will lead to modest improvements in stock index performance. Tsanga et al. (2007) technical indicators with ANN was utilised to created trading alert system and their findings showed that ANN can effectively guide investors when to buy or sell stocks. Avci (2007) also used technical indicators with ANN, and his finding demonstrated that ANN could be used effectively to forecast daily and sessional returns of the Ise-100 Index. Other works that had applied ANN models with technical indexes to stock price predictions with varying findings are Kimoto et al. (1990), Kamijo and Tanigawa (1990), Stansel and Eakins (2004), Chen et al. (2005), Huang et al. (2005), Roh (2007), Giordano et al. (2007), Jain and Kumar (2007), Kyungjoo et al. (2007), George and Kimon (2009), Mohamed (2010), Esmaeil et al. (2010) and Tiffany and Kun-Huang (2010). Wang (2007) proposed hybrid ANN (ANN and GARCH) with technical indicators and his findings showed that ANN combined with other techniques has good forecast ability as good as ARIMA model. Kim and Shin (2007) used hybrid ANN (ANN and Genetic Algorithm) with technical indicators and their findings showed that hybrid model has better forecast ability than single model and ANN has ability to forecast stock market. Yan (2008) used hybrid ANN (ANN and Grey Theory) with technical indicators and his findings showed that hybrid model has better forecasting performance to stock price prediction. Khasel et al. (2009) used hybrid ANN (ANN and Fuzzy Logic) with technical indicators and their finding revealed that hybrid models exhibit effectively improved forecasting accuracy of stock price prediction. However, O’Connor and Maddem (2006) used fundamental indicators with ANN and their findings revealed that ANN has forecast ability in stock market because it has better return than overall stock market.

$$en!!