فایل ورد کامل تحلیل کارایی روش شبکه های عصبی مصنوعی جهت پیش بینی بازار بورس

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 تحلیل کارایی روش شبکه های عصبی مصنوعی جهت پیش بینی بازار بورس،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۸۷ صفحه

در این مقاله ما روشی را نشان می دهیم تا با استفاده از شبکه های عصبی قیمت روزانه سهام پیش بینی شود و نتیجه پیش بینی شبکه عصبی با نتیجه آمار پیش بینی مقایسه می شود. پیش بینی قیمت سهام یکی از زمینه های نو ظهور یافته در زمینه پیش بینی شبکه عصبی می باشد. همچنین این مقاله توانایی شبکه های عصبی را جهت پیش بینی قیمت های روزانه بازار بورس ارائه می دهد. پیش بینی بازار بورس بسیار مشکل است زیرا بستگی به چندین عامل شناخته شده و شناخته نشده دارد. در حالی که شبکه عصبی مصنوعی روش محبوب برای پیش بینی بازار بورس دارد. شبکه عصبی مبتنی بر “یادگیری با مثال” است. در این مقاله ، شبکه های عصبی و روش های آماری به کار گرفته می شوند که قیمتهای روزانه بازار بورس را پیش بینی و مدل سازی کنند. و سپس نتایج این دو مدل با هم مقایسه می شوند.توانانایی پیش بینی این دو مدل با استفاده از MAPEو MSE و RMSE ارزیابی می شود. نتایج نشان می دهد که وقتی شبکه های عصبی با اطلاعات کافی و با ورودی های مناسب و معماری مناسب طراحی می یابند می توانند به خوبی قیمت های بازار بورس را پیش بینی کنند. تکنیک های آماری اگر چه خوب ساخته شده باشند ولی توانایی پیش بنی آنها با پیچیده شدن سری ها، کاهش می یابد. بنابراین شبکه های عصبی می توانند به صورت روش بهتر دیگری جهت پیش بینی قیمت های روزانه بازار بورس استفاده شود.

کلمات کلیدی: سرمایه گذاران خارجی جریان | میدان متوسط خطا | مجموع مربع خطا | متوسط خطای مطلق | ریشه میانگین مربع خطا | شاخص قیمت عمده فروشی | عرضه پول پول پهن | عرضه پول پول باریک | اوراق بهادار ارزش گذاری | تولید صنعتی

عنوان انگلیسی:

An Analysis of the Performance of Artificial Neural Network Technique for Stock Market Forecasting

~~en~~ writers :

Kunwar Singh Vaisla, Dr. Ashutosh Kumar Bhatt

In this paper, we showed a method to
forecast the daily stock price using neural networks and
the result of the Neural Network forecast is compared with
the Statistical forecasting result. Stock price prediction is
one of the emerging field in neural network forecasting
area. This paper also presents the Neural Networks ability
to forecast the daily Stock Market Prices. Stock market
prediction is very difficult since it depends on several
known and unknown factors while the Artificial Neural
Network is a popular technique for the stock market
Forecasting. The Neural Network is based on the concept
of ‘Learn by Example’. In this paper, Neural Networks
and Statistical techniques are employed to model and
forecast the daily stock market prices and then the results
of these two models are compared. The forecasting ability
of these two models is accessed using MAPE, MSE and
RMSE. The results show that Neural Networks, when
trained with sufficient data, proper inputs and with proper
architecture, can predict the stock market prices very well.
Statistical technique though well built but their forecasting
ability is reduced as the series become complex. Therefore,
Neural Networks can be used as an better alternative
technique for forecasting the daily stock market prices.

Keywords: Foreign Investors Inflow | Mean Square Error | Sum of Square Error | Mean Absolute Error | Root Mean Squared Error | Wholesale Price Index | Money Supply Broad Money | Money Supply Narrow Moneyn | Exchange Rate | Industrial Production.

$$en!!